Digitální knihovnaUPCE
 

Modelování skórovacích karet pro rozhodování v nebankovních finančních institucích

Disertační práce

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

Endorsement

Review

item.page.supplemented

item.page.referenced