Search the digital library catalog

Abstract: V disertaciji obravnavamo najstarejšo obliko finančnega tveganja, to je kreditno tveganje. Ko se kreditnemu tveganju izpostavljajo sodobne banke v močno medsebojno povezanem finančnem sistemu, se ustvarja prostor za nastanek sistemskega tveganja. Kapital banke je v tovrstnih razmerah še odgovorneje postavljen v vlogo varovala pred prenašanjem nepričakovanih izgub med bankami. Baselski sporazumi v vsaki svoji različici krepijo odvisnost zahtevanega kapitala od prevzetega tveganja. S tem nastane potreba po zelo natančni kvantifikaciji tveganj, ki jih je prevzela banka. Kvalitetna in ustrezna ocena parametrov tveganja v nekem portfelju je tako temeljni pogoj delujoče in učinkovite kapitalske regulacije. Izboljšanje klasifikacijske sposobnosti modela kreditnega tveganja, temeljnega graditelja v procesu ocene kapitalskih zahtev, bi tako lahko prispevala k izboljšanju učinkovitosti ugotavljanja kapitalskih zahtev. Disertacija predstavlja doprinos k védenju o kreditnem tveganju na področju portfelja potrošniških kreditov prebivalstvu. Za namen obvladovanja kreditnega tveganja s pomočjo klasifikacije kreditnih vlog je bilo v literaturi predstavljenih veliko kvantitativnih metod, med najpopularnejšimi so statistične metode. Razloge za priljubljenost logistične regresije, ki je v praksi najbolj uporabljana metoda za vprašanje modeliranja kreditnega tveganja na portfeljih kreditov prebivalstvu, gre iskati predvsem v poznavanju metode, preprostosti uporabe ter zadovoljivih rezultatih glede na potrebno ekspertno znanje. Kljub temu ne gre za najboljšo rešitev. Logistična regresija ima številne pomanjkljivosti, kar se pokaže tudi v tej disertaciji, kjer jo uporabimo za izdelavo primerjalnih modelov. Literatura nakazuje, da lahko boljšo klasifikacijsko sposobnost dosežejo tehnike nelinearnih metod, denimo metode podpornih vektorjev, nevronskih mrež, mehke logike itd. Osnovna teza te disertacije je, da klasifikacijski model za portfelj kreditov prebivalstvu, ki izključno ali deloma uporablja metodo samoorganizirajočih se mrež, deluje bolje kot klasični model, ki je logistična regresija. Najprej smo ocenili model z uporabo metode LVQ, ki je metoda iz družine samoorganizirajočih se mrež. Nato smo ocenili primerjalne modele. V disertaciji se posvetimo tudi vprašanju definiranja kvalitete modela, ki je ključno za možnost primerjave med dvema različnima rešitvama. Pokazano je, da je klasifikacijska točnost lahko najboljša mera kvalitete modela, saj ne posega pristransko v rezultat modela. Če pri interpretaciji rezultata modela ni potrebno vnašati nobene subjektivnosti, potem velja tudi, da dobi uporabnik enoznačen in transparenten odgovor o razvrstitvi kreditnih vlog. Ob primerjavi obeh alternativ se osnovna teza disertacije izkaže kot utemeljena, saj je model LVQ dosegel višjo klasifikacijsko točnost kot primerjalni model. Uspešnost metode pripisujemo prisotnosti nelinearnosti v podatkih. Pomen prispevka disertacije se kaže v možnosti takojšnjega prenosa ugotovitev v prakso. Uporaba metode, ki izboljšuje klasifikacijsko sposobnost modela kreditnega tveganja, predstavlja za banke možnost znižanja prihodnjih stroškov zaradi slabih kreditov ter znižanja oportunitetih stroškov zaradi zavrnitve potencialno dobrih kreditov. Uporaba izboljšanih modelov kreditnega tveganja prispeva k večji stabilnosti bančnega sistema in izboljšanem razmerju med dejanskim tveganjem v portfelju in zahtevanim kapitalom. Disertacija je predstavljena v slovenskem jeziku, s čimer utrjuje in razvija slovensko terminološko zakladnico.
Keywords: kreditno tveganje prebivalstva, verjetnost neplačila, samoorganizirajoče se mreže, vektorska kvantizacija
Published in DKUM: 04.06.2012; Views: 4184; Downloads: 709
Full text (1,95 MB)