O zastosowaniu metody rekurencyjnego podziału w analizie ryzyka kredytowego

• Autorzy: Małgorzata Misztal
• Języki publikacji: PL

Abstrakty

Ocena wiarygodności kredytowej klienta ma na celu ochronę banku przed stratami wynikającymi z braku ściągalności udzielonych kredytów. Wobec tego, ocenie podlega z jednej strony podejmowane przez bank ryzyko, z drugiej spodziewane korzyści. Rozważmy kredytobiorców pewnego banku (dane rzeczywiste). Celem prowadzonych analiz jest konstrukcja reguł decyzyjnych, umożliwiających klasyfikację kredytobiorców do jednej z dwóch wyodrębnionych klas - (1) - kredyty spłacane, (2) - kredyty windykowane. Obiektywną ocenę wiarygodności kredytowej może zapewnić wykorzystanie ilościowych metod wspomagania procesu decyzyjnego. Innymi słowy, interesuje nas klasyfikacja klientów do odpowiednich grup ryzyka kredytowego na podstawie obiektywnych cech opisujących każdego klienta. Wysoce wyspecjalizowane procedury, oparte na metodach statystyki wielowymiarowej, mogą przyczynić się do minimalizacji prawdopodobieństwa przyznania kredytu osobom nierzetelnym, a także zredukować koszty związane z analizą wniosków kredytowych. Do najczęściej wykorzystywanych metod ilościowych w procesach wspomagania decyzji kredytowych należą między innymi: analiza dyskryminacyjna, analiza regresji, modele logitowe i probitowe, sieci neuronowe, algorytmy genetyczne, itp.(fragment tekstu)

Słowa kluczowe

PL

Analiza ryzyka kredytowego; Wiarygodność instytucji finansowych; Klasyfikacja kredytów; Ocena zdolności kredytowej

EN

Credit risk analysis; Reliability of financial institutions; Classification of loans; Credit rating

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2006
• Tom: Modelowanie preferencji a ryzyko '05
• Strony: 453--468

Twórcy

autor

Małgorzata Misztal

• University of Lodz, Poland

Bibliografia

• Breiman L., Friedman J., Olshen R., Stone C. (1984). Classification and Regression Trees. CRC Press, London
• Chan K.-Y., Loh W.-Y. (2004). LOTUS: An Algorithm for Building Accurate and Comprehensible Logistic Regression Trees. Journal of Computational and Graphical Statistics, 13, Issue 4, 826-852
• Gatnar E. (1998). Symboliczne metody klasyfikacji danych. PWN, Warszawa
• Gatnar E. (2001). Nieparametryczna metoda dyskryminacji i regresji. PWN, Warszawa
• Kim H., Loh W.-Y. (2001). Classification Trees With Unbiased Multiway Splits. Journal of the American Statistical Association, 96, 598-604
• Kim H., Loh W.-Y. (2003). Classification Trees with Bivariate Linear Discriminant Node Models. Journal of Computational and Graphical Statistics, 12,512-530
• Lim T.-S. (2000). Polytomous Logistic Regression Trees. PhD Thesis. Department of Statistics, University of Wisconsin, Madison
• Loh W.-Y., Shih Y.-S. (1997). Split Selection Methods for Classification Trees. Statistica Sinica, 7, 815-840
• Misztal M. (2003). Nieparametryczne metody dyskryminacji w analizie ryzyka kredytowego. W: Modelowanie Preferencji a ryzyko'03. Red. T. Trzaskalik. AE, Katowice, 401-416