Prediction of Loan Redemption in a Transition Country: A Comparison of Logit Models and Artificial Neural Networks

• Autorzy: Mariola Chrzanowska , Dorota Witkowska , Jennifer Foo

Warianty tytułu

Przewidywanie spłaty kredytu w kraju transformacji gospodarczej: porównanie modeli logitowych i sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

Banks provide a financial intermediary service by channeling funds efficiently between borrowers and lenders. Bank lending is subject to credit risk when loans are not paid back on a timely basis or are in default. The ability or possessing a methodology to evaluate the creditworthiness of a borrower is therefore crucial to managing the bank's risk management and profitability. In transition countries like Poland, creditworthiness evaluation is especially difficult due to the transitional nature of the financial markets. This paper looks at a comparison of using logit models and artificial neural networks models to evaluate a borrower's credit risk. In particular, this paper shows that artificial neural networks model is a better predictive tool than logit models of credit risk.(original abstract)

Banki przekazują środki finansowe od depozytariuszy do kredytobiorców, co jest obarczone ryzykiem kredytowym, kiedy pożyczka nie jest spłacana w terminie (lub nie zastanie w ogóle spłacona). Dlatego możliwość dokonania oceny zdolności kredytowej lub posiadanie metodologii wspomagającej to działanie jest istotne w zarządzaniu ryzykiem bankowym. W krajach takich jak Polska, których gospodarka jest w okresie transformacji, ocena zdolności kredytowych jest szczególnie trudna z powodu przemian zachodzących na rynku finansowym. Artykuł porównuje zastosowanie modeli logitowych i sztucznych sieci neuronowych do oceny ryzyka kredytowego. W szczególności wykażemy, że sztuczne sieci neuronowe są lepszym narzędziem prognostycznym niż modele logitowe.(abstrakt oryginalny)

Słowa kluczowe

EN

Financial markets; Credit; Credit rating; Neural networks; Artificial neural networks method; Political and systemic transformations; Logit model

PL

Rynki finansowe; Kredyt; Ocena zdolności kredytowej; Sieci neuronowe; Metoda sztucznych sieci neuronowych; Przekształcenia ustrojowo-systemowe; Model logitowy

• Czasopismo: Acta Scientiarum Polonorum. Oeconomia
• Rocznik: 7 (2008)
• Numer: nr 1
• Strony: 45--58

Twórcy

autor

Mariola Chrzanowska

autor

Dorota Witkowska

autor

Jennifer Foo

Bibliografia

• Alfaro E., 2005: Combinacion de clasificadores mediante el metodo boosting. Una aplicacion a la prediccion del fracaso empresarial en Espana (Combining Classifiers by the Boosting Method. An Application to the Corporate Failure Prediction in Spain), Universidad de Castilla-La Mancha, Albacete (doctoral thesis).
• Altman E., 1968: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance Vol. XXIII, No. 4, p. 589-603.
• Altman E., 1971: Corporate Bankruptcy in America, Heath Lexington Books, Lexington.
• Altman E., 1988: The Prediction of Corporate Bankruptcy, Grandland Publishing, New York.
• Altman E., 1993: Corporate Financial Distress ans Bankruptcy, J. Wiley & Sons. Chichester, New York.
• Azoff E.M., 1994: Neural Network Time Series Forecasting of Financial Markets, John Wiley & Sons Ltd., Chichester.
• Back B., Laitinen T., Sere K,, van Wazel M., 1995: Choosing Bankruptcy Prediction Using Discriminant Analysis, Logit Analysis, and Genetic Algorithms, Proceedings of the First Nordic Workshop on Genetic Algorithms and their Applications, Vaasa.
• Baetge J., Krause C., 1993: The Classification of Companies by Means of Neural Networks, Journal of Information Science and Technology, 3, 1, October, p. 96-112.
• Barniv R., Agarwal A., Leach R., 2002: Predicting Bankruptcy Resolution, Journal of Business Finance and Accounting, 29 (3&4), p. 497-520.
• Bernhardsen E., 2001: A model of bankruptcy prediction, Working Paper No 10, Norges Bank, Oslo.
• Bishop CM., 1995: Neural Networks in Pattern Recognition, Clarenton Press, Oxford.
• Chrzanowska M., Witkowska D., 2007: Zastosowanie wybranych metod klasyfikacji do rozpoznawania indywidualnych kredytobiorców (Application of Selected Methods to the Individual Borrowers Recognition), Jajuga K., WalesiakM., 2007: (ed.) Taksonomia 14, Klasyfikacja i analiza danych - teoria i zastosowania (Taxonomy No 14. Classification and Data Analysis), Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wroclaw, p. 108-114.
• Cramer J.S., 2001: An Introduction to the Logic Model for Economists, Timberlake Consultants Ltd., London.
• Cramer J.S., 2003: Logit Models from Economics and Other Fields, Cambridge University Press, Cambridge.
• Gruszczyński M., 2001: Modele i prognozy zmiennych jakościowych w finansach i bankowości, (Models and Forecasts of the Qualitative Variables in Finance and Banking) Szkoła Główna Handlowa (Warsaw School of Economics), Warszawa.
• Johnsen T, Melicher R.W., 1994: Predicting Corporate Bankruptcy and Financial Distress: Information Value Added by Multinomial Logit Models, Journal of Economics and Business, 46, p. 269-286.
• Kaiser U., 2001: Moving in and out of Financial Distress: Evidence for Newly Founded Services Sector Firms, ZEW Discussion Paper Nr 01-09, Zentrum für Europäische Wirtschaftsforschung, Mannheim.
• Kaminski W., Strumiłło P., 1997: Kernel Ortogonalization in Radial basis Function Neural Networks, IEEE Transactions on Neural Networks, Vol. 8, No 5, p. 1177-1183.
• Lennox C, 1999: Identifying Failing Companies: a Reevaluation of the Logit, Probit and DA Approaches, Journal of Economics and Business, 51, p. 347-364.
• Neophytou E., Charitou A., Charalambous C, 2000: Predicting Corporate Failure: Empirical Evidence for the UK, University of Southampton, Working Paper Series, 01-173.
• Odom M.D., Sharda R., 1993: A Neural Network Model for Bankruptcy Prediction, in Trippi R.R., Turban E., ed., Neural Networks in Finance and Investing, Probus Publishing Company, Chicago - London, p. 177-185.
• Ohlson, J.A., 1980: Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, Spring.
• Raghupathi W., Schkade L.L., Raju B.S., 1993: A Neural Network Approach to Bankruptcy Prediction, in Trippi R. R., Turban E., ed., Neural Networks in Finance and Investing, Probus Publishing Company, Chicago- London, p. 141-158.
• Rahimian E., Singh S., Thammachote T, Virmani R., 1993: Bankruptcy Prediction by Neural Network in Trippi R. R., Turban E., ed., Neural Networks in Finance and Investing, Probus Publishing Company, Chicago- London, p. 159-176.
• Rehkugler, H., Schmidt-von Rhein A., 1993: Kreditwurdigkeitsanalyse und Prognose fur Privatkundenkredite Mittels Statischer Methoden und Kunstlicher Neuronaler Netze. Eine empirisch - vergleichende Studie, Bamberger Betriebswirtschaftliche Beitrage, Otto Friedrich Universität, Bamberg, discussion paper 93.
• Schurmann J., 1996: Pattern Classification. A Unified View of Statistical and Neural Approaches, John Wiley & Sons, INC., New York, Chichester, Brisbane, Toronto, Singapore.
• Theodossiou P., Kahya E., Saidi R., Philippatos G., 1996: Financial Distress and Corporate Acquisitions: Further Empirical Evidence, Journal of Business Finance and Accounting, 23, p. 699-719.
• Wilson R.L., Sharda R., 1994: Bankruptcy Prediction Using Neural Networks, Decision Support Systems, 11, p. 545-557.
• Witkowska D., 1999: Application of Artificial Neural Networks to Bank - Decision Simulations, International Advances in Economic Research, No 5, 3, p. 350-368.
• Witkowska D., 2002: Artificial Neural Networks and Statistical Methods. Selected Financial Problems, H.H. Beck, Warsaw (in Polish).
• Witkowska D., Kaminski W, Kompa K., Stanieć L, 2004: Neural networks as a Supporting Tool in Credit Granting Procedure, Information Technology for Economics and Management, (ITEM) e-journal, Vol. 2, No. 1, Paper 1, http://www.item.woiz.polsl.p1/issue2.l/journal2.1.htm.
• Witkowska D., Mazur A., Stanieć L, 2004-2005: Classification of Borrowers: Artificial Neural Networks and Classification Function, Folia Oeconomica Stetinensia 3-4 (11-12), Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin, 2005, p. 43-62.