|
|
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...
|
|
|
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.
|
host ::
RSS.