| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 4 / 4
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
OCENJEVANJE VERJETNOSTI NEPLAČILA ZA KREDITE PREBIVALSTVU: NELINEAREN PRISTOP S SAMOORGANIZIRAJOČIMI SE MREŽAMI
Vita Jagrič, 2011, doktorska disertacija

Opis: 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.
Ključne besede: kreditno tveganje prebivalstva, verjetnost neplačila, samoorganizirajoče se mreže, vektorska kvantizacija
Objavljeno: 04.06.2012; Ogledov: 2306; Prenosov: 574
.pdf Celotno besedilo (1,95 MB)

2.
VPLIV MAKROEKONOMSKEGA OKOLJA NA VERJETNOST NEPLAČILA ZA PORTFELJ SEKTORJA GOSPODINJSTEV
Boris Kenda, 2015, magistrsko delo

Opis: V magistrskem delu obravnavamo področje kreditnega tveganja sektorja gospodinjstev, ki se v zadnjih letih sooča s turbulentnimi tržnimi razmerami. Raziskavo smo izvedli na podlagi pridobljenih podatkov slovenske poslovne banke na področju kreditojemalcev dolgoročnih kreditov. Baza podatkov obsega naključne kreditojemalce, ki so imeli najet dolgoročni kredit v letu 2010 in 2013. Vsakega od teh kreditojemalcev smo spremljali tekom posameznega leta in pri tem zbirali podatke o številu dni zamude, kar služi za razvrstitev ali je kreditojemalec slab ali dober. Na podlagi statistično značilnih pojasnjevalnih spremenljivk smo za obe opazovani obdobji sestavili logit model z najvišjo napovedno močjo. Model nam je dal podatke o tem katere spremenljivke imajo pozitiven oz. negativen vpliv na verjetnost, da bo kreditojemalec slab oz. dober ter podatke o napovedni moči modela. Na koncu smo sestavili logit model za testiranje strukturnih prelomov. Pri gradnji modela smo vključili slamnate pojasnjevalne spremenljivke. Na podlagi statistično značilnega regresijskega koeficienta pojasnjevalne spremenljivke »dummy« smo potrdil zastavljeno hipotezo in sicer da spremembe makroekonomskega okolja povzročajo strukturne prelome v modelu neplačil sektorja gospodinjstev.
Ključne besede: kreditno tveganje prebivalstva, logit model, verjetnost neplačila, strukturni prelomi.
Objavljeno: 22.01.2016; Ogledov: 679; Prenosov: 130
.pdf Celotno besedilo (1,98 MB)

3.
BONITETNI MODELI V MEDNARODNI FINANČNI SKUPINI NA PRIMERU PORTFELJA MIKRO IN MAJHNIH DRUŽB
Nataša Kaiser, 2016, magistrsko delo

Opis: Bančno okolje je nenehno povezano s tveganjem. Zaradi globalizacije, ki je odprla finančne trge, je banke izpostavila še večjemu tveganju. Skozi nalogo predstavimo kreditno tveganje in različne modele kreditnega tveganja. V teoretičnem delu predstavimo oblikovanje kreditnih limitov, kot apetit tveganja posamezne banke. V magistrski nalogi predstavimo bonitetni model za mikro in majhna podjetja. V empiričnem delu preverjamo hipoteze, enotnega bonitetnega modela. V sklepu podamo izboljšave modela.
Ključne besede: kreditno tveganje, bonitetni modeli, verjetnost neplačila, nastanek neplačila, izguba ob neplačilu, izpostavljenost ob neplačilu bonitetni razredi, validacija, kalibracija oziroma umerjanje, napovedna moč modela, kreditni limiti
Objavljeno: 16.09.2016; Ogledov: 360; Prenosov: 61
.pdf Celotno besedilo (1,71 MB)

4.
Obvladovanje tveganj pri »peer to peer« posojilih
Andrej Blagotinšek, 2017, magistrsko delo

Opis: Nove digitalne tehnologije botrujejo procesu preoblikovanja obstoječih vrednostih verig finančnih produktov oz. storitev. »P2P« posojila so nov in inovativen način tako investiranja presežkov finančnih sredstev kot tudi prejemanja finančnega kapitala. Število tovrstnih posojil konstantno raste, vendar posojilodajalci niso profesionalni investitorji. Posojilodajalci prevzemajo veliko tveganje, saj so »P2P« posojila izdana brez zavarovanja. V ta namen »P2P« platforme izdajajo historične podatke o posojilojemalcih. V delu se osredotočamo na identifikacijo tveganj, ki so prisotna pri tovrstnem investiranju in na napovedovanje možnosti neplačil posojil. Empirična študija analizira podatke pridobljene iz platforme Bondora (N=1823) od leta 2009 do 2015. Opravili smo statistično analizo spremenljivk. Razvili smo Logit model za napovedovanje neplačil. Kakovost modela smo preverjali z ROC krivuljo, optimizacijo modela pa na osnovi uravnoteženja klasifikacijske natančnosti, kjer smo dololčili optimalno presečno vrednost. Rezultati so pokazali, da kreditni model za napovedovanje neplačil zmanjšuje verjetnost finančne izgube pri »P2P« investiranju.
Ključne besede: kreditno tveganje, verjetnost neplačila, »P2P« posojila, LOGIT model, obvladovanje tveganj, C25 Discrete Regression and Qualitative Choice Models, G21 Banks, G17, Financial Forecasting and Simulation
Objavljeno: 27.10.2017; Ogledov: 787; Prenosov: 186
.pdf Celotno besedilo (1,56 MB)

Iskanje izvedeno v 0.06 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici