Modelování skórovacích karet pro rozhodování v nebankovních finančních institucích
Disertační práceOtevřený přístupDatum publikování
2019
Autoři
Vedoucí práce
Oponent
Název časopisu
Název svazku
Vydavatel
Univerzita Pardubice
Abstrakt
V předložené disertační práci jsou uvedeny možnosti modelování skórovacích karet. Nejprve je představen problém a základní pojmy z oblasti odelování skórovacích karet. Dále je zde uveden přehled současného stavu řešení v této oblasti. Další část práce se zabývá metodami strojového učení, které jsou vhodné pro predikci pravděpodobnosti defaultu a expozice při defaultu. Těmito metodami jsou jak individuální metody, tak kombinace modelů. Kombinace modelů jsou založeny na kombinaci stejných individuálních metod (kombinace homogenních modelů) nebo různých individuálních metod (kombinace heterogenních modelů). Jako individuální metody jsou v této práci použity čtyři skupiny metod strojového učení, a to tradiční statistické metody, rozhodovací stromy, podpůrné vektorové stroje a neuronové sítě. Tyto metody jsou pak použity jako základní algoritmy v homogenních a heterogenních kombinacích modelů. Pomocí těchto metod je realizováno modelování skórovací karty. Je navržen model skórovacích karet, který umožňuje modelování pravděpodobnosti defaultu a expozice při defaultu pomocí heterogenních kombinací metod strojového učení. Výsledky jednotlivých metod jsou mezi sebou porovnány. Efektivnost navrženého výsledného modelu je prezentována jak porovnáním se současnými přístupy k modelování skórovacích karet, tak se současným modelem zvolené nebankovní finanční instituce.
Rozsah stran
123 s.
ISSN
Trvalý odkaz na tento záznam
Projekt
Zdrojový dokument
Vydavatelská verze
Přístup k e-verzi
Bez omezení
Název akce
ISBN
Studijní obor
Aplikovaná informatika
Studijní program
Aplikovaná informatika
Signatura tištěné verze
D39686
Umístění tištěné verze
Univerzitní knihovna (studovna)
Přístup k tištěné verzi
Klíčová slova
úvěrové riziko, úvěrové skórování, kombinace modelů, očekávaná ztráta, strojové učení, pravděpodobnost defaultu, credit risk, credit scoring, ensemble learning, expected loss, machine learning, probability of default