Úvěrové riziko, kombinace modelů, úvěrové skórování, očekávaná ztráta, expozice při defaultu, pravděpodobnost defaultuV předložené disertační práci jsou uvedeny možnosti modelování skórovacích karet. Nej-prve 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 me-todami strojového učení, které jsou vhodné pro predikci pravděpodobnosti defaultu a expozice při defaultu. Těmito metodami jsou jak individuální metody, tak kombinace mo-delů. Kombinace modelů jsou založeny na kombinaci stejných individuálních metod (kombinace homogenních modelů) nebo různých individuálních metod (kombinace hetero-genních 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 homogen-ních a heterogenních kombinacích modelů. Pomocí těchto metod je realizováno modelování skórovací karty. Je navržen model skórovacích karet, který umožňuje modelování pravdě-podobnosti defaultu a expozice při defaultu pomocí heterogenních kombinací metod strojového učení. Výsledky jednotlivých metod jsou mezi sebou porovnány. Efektivnost na-vrženého výsledného modelu je prezentována jak porovnáním se současnými přístupy k modelování skórovacích karet, tak se současným modelem zvolené nebankovní finanční instituce.
Anotace v angličtině
The possibilities of score cards modelling is presented in this thesis. At first, the problem of fundamental terms of the score cards modelling is presented. Afterwards, the overview of the state-of-the-art in this field is introduced. The next part deals with the machine learn-ing methods that are suitable for the prediction of the probability of default and the exposure at default. These methods are both individual methods and ensemble learning. Ensemble learning is based on a combination of the same individual methods (homogeneous ensemble) or different individual methods (heterogeneous ensemble). Four groups of the machine learning methods are used in this thesis. These are traditional statistical methods, decision trees, support vector machines and neural networks. These methods are used as the basic algorithms in homogeneous and heterogenous ensembles learning. The score cards model-ling is realised using these methods. There is the score card model proposed that allows the modelling of the probability of default and the exposure at default using heterogeneous en-semble methods of machine learning. The results of individual methods are compared with each other. The effectiveness of the proposed model is presented in comparison with both the state-of-the-art in the score card modelling and the current model of the selected non-bank financial institution.
Credit risk, credit scoring, ensemble learning, expected loss, machine learning, probability of default
Rozsah průvodní práce
-
Jazyk
CZ
Anotace
Úvěrové riziko, kombinace modelů, úvěrové skórování, očekávaná ztráta, expozice při defaultu, pravděpodobnost defaultuV předložené disertační práci jsou uvedeny možnosti modelování skórovacích karet. Nej-prve 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 me-todami strojového učení, které jsou vhodné pro predikci pravděpodobnosti defaultu a expozice při defaultu. Těmito metodami jsou jak individuální metody, tak kombinace mo-delů. Kombinace modelů jsou založeny na kombinaci stejných individuálních metod (kombinace homogenních modelů) nebo různých individuálních metod (kombinace hetero-genních 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 homogen-ních a heterogenních kombinacích modelů. Pomocí těchto metod je realizováno modelování skórovací karty. Je navržen model skórovacích karet, který umožňuje modelování pravdě-podobnosti defaultu a expozice při defaultu pomocí heterogenních kombinací metod strojového učení. Výsledky jednotlivých metod jsou mezi sebou porovnány. Efektivnost na-vrženého výsledného modelu je prezentována jak porovnáním se současnými přístupy k modelování skórovacích karet, tak se současným modelem zvolené nebankovní finanční instituce.
Anotace v angličtině
The possibilities of score cards modelling is presented in this thesis. At first, the problem of fundamental terms of the score cards modelling is presented. Afterwards, the overview of the state-of-the-art in this field is introduced. The next part deals with the machine learn-ing methods that are suitable for the prediction of the probability of default and the exposure at default. These methods are both individual methods and ensemble learning. Ensemble learning is based on a combination of the same individual methods (homogeneous ensemble) or different individual methods (heterogeneous ensemble). Four groups of the machine learning methods are used in this thesis. These are traditional statistical methods, decision trees, support vector machines and neural networks. These methods are used as the basic algorithms in homogeneous and heterogenous ensembles learning. The score cards model-ling is realised using these methods. There is the score card model proposed that allows the modelling of the probability of default and the exposure at default using heterogeneous en-semble methods of machine learning. The results of individual methods are compared with each other. The effectiveness of the proposed model is presented in comparison with both the state-of-the-art in the score card modelling and the current model of the selected non-bank financial institution.