Zobrazit minimální záznam
dc.contributor.author |
Hájek, Petr
|
|
dc.date.accessioned |
2013-07-10T11:15:28Z |
|
dc.date.available |
2013-07-10T11:15:28Z |
|
dc.date.issued |
2011 |
|
dc.identifier |
Univerzitní knihovna (sklad) |
cze |
dc.identifier.uri |
http://hdl.handle.net/10195/49547 |
|
dc.description.abstract |
V habilitační práci jsou uvedeny možnosti modelování úvěrového ratingu metodami soft computingu. Nejprve je představen problém modelování úvěrového ratingu. Je uveden přehled současného stavu řešení v oblasti modelování úvěrového ratingu podniků a municipalit. Dále jsou uvedeny metody soft computingu, které jsou vhodné pro realizaci klasifikačního problémy. Jsou navrženy modely založené na metodách soft computingu s cílem klasifikace amerických podniků a českých municipalit do ratingových tříd. Tyto modely zahrnují proces výběru vstupních proměnných, předzpracování dat a návrh různých struktur neuronových sítí, fuzzy systémů a hybridních systémů pro realizaci klasifikačního problému. Výběr vstupních proměnných je pro podniky realizován pomocí genetických algoritmů. Takto jsou v datových souborech zastoupeny pouze takové vstupní proměnné, které vedou k vyšší přesnosti klasifikace. Ratingové třídy podniků jsou získávány od ratingové agentury Standard & Poor's. Podnikům je přiřazena investiční nebo neinvestiční ratingová třída. Pro klasifikaci podniků jsou použity vybrané metody učení s učitelem i metody s částečným učením s učitelem. Co se týká municipalit, vstupní proměnné jsou vybrané na základě předchozích studií a dále na základě korelační analýzy, protože cílové ratingové třídy nejsou předem k dispozici. Proto byly municipalitám přiřazeny ratingové třídy na základě expertního ohodnocení. Nejprve jsou použity metody učení bez učitele s cílem získání reprezentativní množiny objektů a následně je znalost experta ze získaných výsledků získána pomocí neuronových sítí s učením učitelem, fuzzy logických neuronových sítí a evolučních fuzzy systémů. Kromě toho jsou navrženy také hierarchické struktury fuzzy inferenčních systémů a IF-inferenčních systémů s cílem přiřazení ratingových tříd municipalitám. |
cze |
dc.format |
123 s. |
cze |
dc.language.iso |
cze |
|
dc.publisher |
Univerzita Pardubice |
cze |
dc.subject |
úvěrový rating |
cze |
dc.subject |
modelování |
cze |
dc.subject |
soft computing |
cze |
dc.subject |
neuronové sítě |
cze |
dc.subject |
fuzzy logické systémy |
cze |
dc.subject |
evoluční algoritmy |
cze |
dc.subject |
credit rating |
eng |
dc.subject |
modelling |
eng |
dc.subject |
neural networks |
eng |
dc.subject |
fuzzy logic-based systems |
eng |
dc.subject |
evolutionary algorithms |
eng |
dc.title |
Modelování úvěrového ratingu metodami soft computingu |
cze |
dc.title.alternative |
Credit rating modelling by soft computing methods |
eng |
dc.type |
habilitační práce |
cze |
dc.date.accepted |
2012 |
|
dc.description.abstract-translated |
The habilitation thesis presents the possibilities of credit rating modelling using soft computing methods. First, the problem of credit rating modelling is introduced. Previous studies on corporate and municipal credit rating modelling are reported. Then, soft computing methods are introduced which a re ble for the realization of classification problems. The models based on soft computing methods are designed to classify US companies and Czech municipalities into rating classes. The models include the selection process of input variables, data pre-processing, and the design of various structures of neural networks, fuzzy systems, and hybrid systems for classification. The selection of input variables is realized using genetic algorithms for companies. The objective of this process is to select only significant variables to improve the performance of the classifiers. The rating classes for companies have been obtained from Standard & Poor's rating agency. Companies are labelled by investment or non-investment rating classes. Selected classifiers with supervised and semi-supervised learning are applied for the classification of companies. For municipalities, input variables are selected based on both previous studies or correlation analysis, because target rating classes are not known in advance. Therefore, it is necessary to assign rating classes using expert knowledge. Neural networks with unsupervised learning are used to obtain representative objects and, consequently, expert knowledge is extracted from these models using neural networks with supervised learning, fuzzy logic neural networks, and evolutionary fuzzy systems. Moreover, hierarchical structures of fuzzy inference systems and IF-inference systems are designed with the aim of labelling, the municipalities with the rating classes in an alternative way. |
eng |
dc.description.department |
Ústav systémového inženýrství a informatiky |
cze |
dc.thesis.degree-name |
doc. |
cze |
dc.thesis.degree-grantor |
Univerzita Pardubice. Fakulta ekonomicko-správní |
cze |
dc.identifier.signature |
D25697 |
|
dc.description.grade |
Dokončená práce s úspěšnou obhajobou |
cze |
Soubory tohoto záznamu
K tomuto záznamu nejsou připojeny žádné soubory.
|
Tento záznam se objevuje v následujících kolekcích
Zobrazit minimální záznam
|
Vyhledávání
Procházet
-
Vše v Digitální knihovně
-
Tato kolekce
Můj účet
|