| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva

Naslov:OCENJEVANJE VERJETNOSTI NEPLAČILA ZA KREDITE PREBIVALSTVU: NELINEAREN PRISTOP S SAMOORGANIZIRAJOČIMI SE MREŽAMI
Avtorji:Jagrič, Vita (Avtor)
Kračun, Davorin (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf DR_Jagric_Vita_2012.pdf (1,95 MB)
 
Jezik:Slovenski jezik
Vrsta gradiva:Doktorska disertacija (m)
Tipologija:2.08 - Doktorska disertacija
Organizacija:EPF - Ekonomsko-poslovna fakulteta
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
Leto izida:2011
Založnik:[V. Jagrič]
Izvor:Maribor
UDK:336.77
COBISS_ID:20848102 Povezava se odpre v novem oknu
NUK URN:URN:SI:UM:DK:BCRFIJN6
Število ogledov:2306
Število prenosov:574
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
Področja:EPF
:
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Sekundarni jezik

Jezik:Angleški jezik
Naslov:ESTIMATING PROBABILITY OF DEFAULT FOR RETAIL CREDIT: NONLINEAR APPROACH WITH SELF-ORGANIZING MAPS
Opis:The presented dissertation considers the oldest form of financial risk, namely the credit risk. When modern banks are exposed to credit risk in the context of the highly interconnected financial system, it creates room for the emergence of systemic risk. That being said, the capital of the bank is set in the function of the buffer against unexpected losses and finally preventing transfer of losses among banks. With the implementation of Basel II capital accord, the amount of capital is directly linked to the risk of a bank’s single portfolio. From this definition the need for very precise quantification of risks arises. Good quality of risk evaluation and the exact estimation of portfolio’s risk parameters is a prerequisite for effective capital regulation at the microprudential as well as macroprudential level. An improvement of the credit classification model quality would therefore contribute to an improvement of the process of capital requirement’s assessment. In this thesis we propose an alternative methodology when modeling credit risk for a retail consumer credit portfolio of a commercial bank in order to raise the quality of the risk assessment. The dissertation contributes to the knowledge regarding credit risk in a portfolio of consumer loans to households. For the purpose of credit application classification there were many quantitative methods presented in the literature, among which the most popular include statistical methods. In business practice most widely used method for modeling credit risk in retail portfolios is the logistic regression. The reasons for its popularity may lie on one hand in the fact that it is wide-known among bankers and on the other hand in its simple application and satisfactory results when considering the undemanding level of expert knowledge needed for the implementation. Due to its popularity, we applied the logistic regression for modeling benchmarking models. However, it is neither the best nor the only and final solution. Logistic regression has many shortcomings, which are also commented on in this dissertation. A review of the literature suggests that a better classification accuracy can be achieved by applying non-linear methods such as support vector machines, neural networks, fuzzy logic etc. The thesis of this dissertation proposes that a classification model for a retail portfolio of consumer loans, which exclusively or partly uses self-organizing networks, may outperform a standard solution, namely a logistic regression model. First, we trained a network using the learning vector quantization, a method from the family of self-organizing networks. Next, we estimated the benchmarking models. In this dissertation we focus also on the issue of the definition of a model’s quality, which was crucial for the ability of the comparison between two very different solutions. We argue that the classification accuracy is the best measure of the model’s quality, as there is no subjectivity and prejudice to the outcome. Provided that the interpretation of the model results does not include any human interference, the user gets a unique and transparent response to the classification problem of credit applications. When comparing both alternatives the thesis of this dissertation turns out to be proper, since the LVQ model achieved higher classification accuracy compared to benchmarking model. We assign the success of the LVQ method to the presence of non-linearity in the data. The importance of this dissertation’s contribution manifests itself also in the ability of immediate transfer of findings into business practice. Using the method that improves the classification accuracy of a credit risk model introduces for banks the possibility of reducing the future costs of non-performing loans and reduction in opportunity costs of a rejected potentially good credit. Furthermore, improved credit risk models contribute to greater stability of the banking system and an improved relationship between the actual risk in the portfolio and the required capital. The disserta
Ključne besede:retail credit risk, probability of default, self-organizing maps, learning vector quantization


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici