|
|
Implementace metod pro automatické dolování dat
Smatana, Peter
Práce popisuje proces dolování dat na úloze Give Me Some Credit. Práce provádí čtenáře postupně celým procesem dolování dat. V úvodu je seznámení s pro -ble -ma -ti -kou dolování dat a dolovanými daty. Dále je představen vlastní nástroj na čištění a přípavu dat. Na závěr je provedeno modelování a zhodnocení výsledů.
|
|
|
Performance Ranking of Czech Credit Scoring Models
Smolár, Peter ; Havránek, Tomáš (vedoucí práce) ; Jakubík, Petr (oponent)
Tato práce srovnává 11 českých a 4 zahraničních kredit skóringových modelů. Toto srovnání je založeno na schopnosti jednotlivých modelů předpovídat úpadky firem na měřené plochou pod ROC křivkou. Srovnání se zakládá na sadě 250 trénovacích dat a testovacích dat. Na základě tohoto základního srovnání, tato práce zkoumá 3 potencionální způsoby zlepšení predikčních schopností skóringových modelů, a to konkrétně metody nahrazení chybějících hodnot, různé statistické metody uplatněné při odhadu modelu a možnost přidání nefinančních proměnných. Po aplikaci těchto způsobů, predikční schopnost modelů byla opět vyčíslena a modely srovnány. Tato práce používá ANOVA a Friedman test, jakož i jim odpovídající post- hoc Tukey a Nememyi testy pro testování hypotéz. Ve své základní podobě jsou zahraniční modely lepší než jejich české protějšky v predikování úpadku společností. Nahrazení chybějících hodnot pomocí OLS a odhad modelů za pomoci probit signifikantně zlepšuje predikční schopnosti srovnaných modelů. Po aplikaci těchto zlepšení je rozdíl v predikčních schopnostech českých a zahraničních modelů marginální. Klasifikace G28, G32, G33, G38 Klíčová slova kredit skóring, diskriminanční analýza více proměnných, logit analýza, probit analýza E-mail autora 71247263@fsv.cuni.cz E-mail vedoucího práce...
|
|
|
The future of credit scoring modelling using advanced techniques
Čermáková, Jolana ; Krištoufek, Ladislav (vedoucí práce) ; Geršl, Adam (oponent)
Machine learning, neboli strojové učení, se stává součástí každodenního života a má nepopiratelný vliv na celou řadu odvětví. Ve finančním odvětví tento dopad spočívá zejména v prediktivním modelování. Cílem této práce je popsat základní principy umělé inteligence, především její podmnožiny, strojového učení. Nejpoužívanější techniky strojového učení jsou v této práci nastíněny teoretickou i praktickou cestou. V rámci práce byly sestaveny čtyři praktické modely. Byly diskutovány výsledky a limitace každého z modelů a zároveň byly modely mezi sebou vzájemně porovnány na základě jejich indi- viduálních výkonů. Modelování bylo provedeno na reálných datech, poskyt- nutých společností Home Credit. Výsledný výkon metod, založených na strojovém učení a měřený pomocí metrik KS a GINI, byl bud' velmi srovn- atelný, nebo dokonce horší než výkon tradičně používané logistické regrese. Přesto mohl tento výsledek spočívat například v nedostatečném datovém souboru, v nesprávné přípravě dat, nebo v nevhodně použitých algoritmech, tedy ne nutně v samotných modelech.
|
|
|
Strojové učení pro credit scoring
Myazina, Elena ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Název práce: Strojové učení pro credit scoring Autor: Elena Myazina Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí: Mgr. Martin Pilát, Ph.D, Katedra teoretické informatiky a matematické logiky Abstract: Banky používají techniku nazývanou credit scoring pro ohodnocení svých klientů, kteří žádají o půjčku. Cílem je předpovědět, jestli klient půjčku splatí, nebo ne. Tradičně se pro credit scoring používají matematické metody jako např. logistická regrese. V této práci se na problém podíváme z hlediska strojového učení. Testujeme řadu metod strojového učení (např. neuronové sítě,support vector machines, náhodné lesy a další) a vyhodnocujeme jejich vhodnost pro credit scoring na třech veřejně dostupných množinách dat. Klíčová slova: strojové učení, credit scoring, logistická regrese, neuronové sítě, náhodné lesy.
|
|
|
Performance Analysis of Credit Scoring Models on Lending Club Data
Polena, Michal ; Teplý, Petr (vedoucí práce) ; Pečená, Magda (oponent)
V naší magisterské práci jsme porovnávali deset klasifikačních algoritmů pro kreditní skórování. Jejich prediktivní schopnosti byly měřeny šesti rozdílnými technikami pro měření klasifikační přesnosti. Pro porovnání klasifikátorů jsme použili unikátní datový set z P2P půjčování s více jak 200.000 záznamy a 23 proměnnými. Tento datový set pochází z Lending Clubu. Lending Club je největší platforma pro P2P půjčování ve Spojených státech amerických. Lo- gistická regrese, umělá neuronová sít' a lineární diskriminační analýza jsou tři nejlepší klasifikátory podle našich výsledků. Náhodný les se umístil jako pátý nejlepší klasifikátor. Na druhou stranu, klasifikační a regresní strom a k-nejbližší okolí se umístily jako nejhorší klasifikátory v našem žebříčku. 1
|
|
|
Příčiny segregace v mikroregionech
Illmannová, Anne ; Sieber, Martina (vedoucí práce) ; Vlček, Josef (oponent)
Bakalářská práce se zabývá problematikou splácení bankovních úvěrů. Teoretická část práce se věnuje historii bankovnictví, jeho současné podobě a druhům bankovních finančně úvěrových produktů. Zvláštní pozornost je věnována hypotečním úvěrům a podmínkám jejich poskytování. V aplikační části jsou srovnány nejprve na krajské, poté na okresní úrovni pravděpodobnosti nesplácení úvěrů v závislosti na různých ukazatelích. Cílem práce je na konkrétním příkladu z Prahy zjistit, jaké sociodemografické charakteristiky mají vliv na platební morálku dlužníků, v čem se liší lidé bydlíci v oblasti s dobrou platební morálkou od lidí bydlících v oblasti se špatnou platební morálkou a zda místo bydliště má vliv na úroveň platební morálky. Klíčová slova Bankovnictví, hypoteční úvěry, credit scoring, pravděpodobnost defaultu.
|
|
|
Building credit scoring models using selected statistical methods in R
Jánoš, Andrej ; Bašta, Milan (vedoucí práce) ; Pecáková, Iva (oponent)
Kredit skóring je ve finanční praxi důležitou a rychle se rozvíjející disciplínou. Cílem této práce je vytvořit souhrn základních metodik používaných k vytvoření a popisu kredit skóringových modelů s interpretací jejich výstupu společně s praktickou ilustrací postupu při vytváření těchto modelů v statistickém programovém prostředí R. Tato práce je členěná do pěti kapitol. První kapitola je věnovaná vysvětlení pojmu kredit skóring společně s několika příklady praktického využití a motivací pro jeho studium. V další části práce jsou postupně představené tři, ve finanční praxi nejčasteji používané, metody pro tvorbu kredit skóringových modelů. Ve druhé, nejrozvinutější kapitole se práce věnuje logistické regresi. Největší důraz je kladen na matematické odvození vztahu pro logistický regresní model a uvedeno je několik způsobů jako posoudit kvalitu proložení dat modelem. Dalšími dvěmi metodami prezentovanými v této práci jsou rozhodovací stromy a náhodné lesy, kterým se věnují kapitoly 3 a 4. Neoddělitelnou součástí této práce jsou podrobně popsané aplikace těchto metod na konkrétní datový soubor Default v programové platformě R. V závěrečné, páté, kapitole je praktická ilustrace vytvoření kredit skóringových modelů, jejich diagnostiky a následného vyhodnocení jejich schopnosti předpovídat selhání klienta v praxi s použitím R. V přílohách jsou uvedené vytvořené funkce a kód v R použité v práci. Čtenář vybavený základními poznatky z pravděpodobnosti a matematické statistiky získá dostatek teoretických znalostí a praktických zručností k pochopení modelů a jejich samostatné aplikaci.
|
|
|
Možnosti redukce výběrového zkreslení v ratingových modelech
Ditrich, Josef ; Hebák, Petr (vedoucí práce) ; Pecáková, Iva (oponent) ; Zamrazilová, Eva (oponent)
Využití ratingových modelů je dnes ve finančním sektoru již běžnou praxí. Oblast kredit skóringu představuje důležitou složku pro udržení ziskovosti i transparentnosti celého procesu poskytování úvěrů. Při objemech, s nimiž poskytovatelé úvěrů běžně pracují, představuje i nepatrné zlepšení diskriminační a predikční schopnosti používaných modelů významné dodatečné zisky. Přestože skóringové modely jsou aplikovány na celou populaci žadatelů o úvěr, jsou pro jejich tvorbu či úpravu stávajících rozhodovacích pravidel obvykle využívány pouze informace těch žadatelů, kterým byl úvěr poskytnut a bylo u nich tedy možné pozorovat platební disciplínu. Tento nesoulad vede ke zkreslení způsobeném zamítnutými žadateli, či obecněji k výběrovému zkreslení. Metody snažící se zmíněný jev odstranit či alespoň zmírnit se souhrnně označují pojmem reject inference. Tyto metody se snaží odhadnout chování zamítnutých žadatelů nebo o nich získat dodatečné informace. Disertační práce je věnována metodě otevřených dveří, která je založena na náhodném poskytování úvěrů i žadatelům, kteří by byli za normálních okolností zamítnuti. Jelikož je metoda náročná nejen časově, ale zejména finančně, zkoumal jsem způsoby, jak snížit náklady na pořízení dodatečných informací o zamítnutých žadatelích. Výsledkem je navržení její modifikace, kterou jsem pojmenoval metoda pootevřených dveří. Na reálné bankovní databázi jsem otestoval dvě možné třídící proměnné, které metoda vyžaduje a výsledky porovnal s původní verzí metody. Bylo ukázáno, že oba testované způsoby výběru žadatelů umožnily snížit nákladnost metody otevřených dveří při zachování vysoké přesnosti skóringových modelů.
|
|
|
Implementace metod pro automatické dolování dat
Smatana, Peter
Práce popisuje proces dolování dat na úloze Give Me Some Credit. Práce provádí čtenáře postupně celým procesem dolování dat. V úvodu je seznámení s pro -ble -ma -ti -kou dolování dat a dolovanými daty. Dále je představen vlastní nástroj na čištění a přípavu dat. Na závěr je provedeno modelování a zhodnocení výsledů.
|
|
| |
host ::
RSS.