|
| |
|
|
Artificial Intelligence Approach to Credit Risk
Říha, Jan ; Baruník, Jozef (vedoucí práce) ; Vošvrda, Miloslav (oponent)
Tato práce se zabývá aplikaci umělé inteligence v řízení kreditního rizika. Tento moderní přístup je porovnán s aktuálním standardem trhu, s logistickou regresí. V práci prezentujeme teorii zaměřenou na neuronové sítě, podpůrné vektorové stroje, náhodné lesy a logistickou regresi. Také se zabýváme metodologií na vyhodnocení a porovnávání těchto modelů ze statistického a obchodního hlediska. Zjistili jsme, že modely z kategorie neuronových sítí, zejména Multi-Layer Perceptron a Radial Basis Function Network, překonávají logistickou regresi ve standardních statistických a obchodních kritériích. Výkonnost náhodných lesů a podpůrných vektorových strojů není dostatečná a v naší práci jejich výkonnost nedosahovala výkonnosti logistické regrese.
|
|
| |
|
|
Improved Prediction of Social Tags Using Data Mining
Harár, Pavol ; Galáž, Zoltán (oponent) ; Kříž, Jiří (vedoucí práce)
This master’s thesis deals with using Text mining as a method to predict tags of articles. It describes the iterative way of handling big data files, parsing the data, cleaning the data and scoring of terms in article using TF-IDF. It describes in detail the flow of program written in programming language Python 3.4.3. The result of processing more than 1 million articles from Wikipedia database is a dictionary of English terms. By using this dictionary one is capable of determining the most important terms from article in corpus of articles. Relevancy of consequent tags proves the method used in this case.
|
|
| |
|
|
Řízení kreditního rizika v bankách
Pětníková, Tereza ; Blahová, Naděžda (vedoucí práce) ; Šedivý, Jan (oponent)
Předmětem této práce je řízení kreditního rizika v bankách, jakožto nejvýznamnějšího rizika, kterému jsou banky vystaveny. Cílem práce je vymezení základních postupů, nástrojů a metod, které jsou bankami využívány k řízení kreditního rizika. První část práce se věnuje vymezení těchto postupů a představuje celý proces řízení kreditního rizika, od definice kreditního rizika přes úvěrovou strategii a politiku, organizační strukturu, vymezení nejpoužívanějších nástrojů snižování kreditního rizika až po regulatorní požadavky na jeho řízení. V rámci druhé kapitoly jsou podrobněji zpracovány nástroje měření a hodnocení kreditního rizika a možnosti zajištění úvěrového rizika. Poslední kapitola ukazuje na příkladu vybrané banky řízení kreditního rizika v praxi.
|
|
|
Odhad pravděpodobnosti defaultu pomocí logistické regrese
Chalupa, Tomáš ; Dlouhá, Zuzana (vedoucí práce) ; Formánek, Tomáš (oponent)
Cílem této práce je vytvořit vhodný model, který odhaduje pravděpodobnost nesplacení úvěru klientem. K odhadu byla použita logistická a probitová regrese a dvě definice nesplacení, 60 a 90 dnů po splatnosti. V práci je popsán způsob výstavby, odhadu a testování skóringových modelů a také struktura použitých dat, která byla použita v praktické části práce. Nejprve byl vytvořen teoretický model, který byl později konfrontován s odhady. Vytvořené modely byly porovnány v práci popsanými statistikami jako je McFaddenovo R^2, schopnost jejich diverzifikace byla zjišťována Lorenzovou křivkou a Giniho koeficientem. Bylo zjištěno, že logistická a probitová regrese mají téměř stejné výsledky a že 90 dnů je vhodnější definice než 60 dnů.
|
|
|
Praktické využití modelů predikce finanční tísně
Le Quang, Dung ; Menčlová, Barbora (vedoucí práce) ; Škerlíková, Tatiana (oponent)
Tato bakalářská práce se zaměřuje na problematiku výběru vhodného dodavatele využitím modelů predikce finanční tísně, konkrétně Springatova, Altmanových, Neumaierových modelů, Tafflerova indexu. Cílem je navrhnout systém, který usnadní výběr dodavatele v odvětví outsourcingu účetnictví a daňového poradenství. Práce je rozdělena na dvě části. Teoretická část je zaměřena na představení a metodiku jednotlivých modelů. V praktické části bude navržen model a otestován na vybraný vzorek podniků.
|
|
| |
|
|
Zpracování zákaznických dat a jejich využití
Bartelová, Jana ; Kunstová, Renáta (vedoucí práce) ; Sládková, Pavlína (oponent)
Tématem diplomové práce je sběr, analýza a využití zákaznických dat v podniku pro účely marketingu. Získaná data o zákaznících slouží jako vstup pro analytické procesy, které produkují relevantní informace využívané při tvorbě cílených marketingových kampaní. Vzhledem k tomu, že bez poznání a identifikace potřeb zákazníků se dnes podnik neobejde, je teoretická část zaměřena především na metody analýzy dat jako je segmentace, profilace, skórování zákazníka a výpočet hodnoty zákazníka. Významnou částí teoretického celku je webová analytika, která sleduje a sbírá data o chování zákazníka na webových stránkách. Praktická část práce je postavena na případové studii internetového obchodu, ve které jsou identifikovány a řešeny problémy konkrétního podniku při realizaci e-mailingu. Nástroj Silverpop Engage přináší nové možnosti v souvislosti s využitím zákaznických dat a je podpůrnou technologií, která pomáhá nalezené nedostatky odstranit. Hlavním cílem práce je ukázat nové možnosti realizace e-mailových kampaní s využitím behaviorálních dat a popsat způsoby využití zákaznických dat pro různé typy kampaní.
|
host ::
RSS.