Predicting the Default Risk of Companies. Comparison of Credit Scoring Models: LOGIT vs Support Vector Machines

• Autorzy: Natalia Nehrebecka

Warianty tytułu

Przewidywanie ryzyka kredytowego przedsiębiorstw niefinansowych. Porównanie modeli scoringowych: regresja logistyczna vs Support Vector Machine

• Języki publikacji: EN

Abstrakty

EN

The aim of the article is to compare models on a train and validation sample, which will be created using logistic regression and Support Vector Machine (SVM) and will be used to assess the credit risk of non-financial enterprises. When creating models, the variables will be subjected to the transformation of the Weight of Evidence (WoE), the number of potential predictions will be reduced based on the Information Value (IV) statistics. The quality of the models will be assessed according to the most popular criteria such as GINI statistics, Kolmogorov-Smirnov (K-S) and Area Under Receiver Operating Characteristic (AUROC). Based on the results, it was found that there are significant differences between the logistic regression model of discriminatory character and the SVM for the model sample. In the case of a validation sample, logistic regression has the best prognostic capability. These analyses can be used to reduce the risk of negative effects on the financial sector.(original abstract)

Celem artykułu jest porównanie modeli na próbie uczącej się i testowej, które powstaną za pomocą regresji logistycznej oraz Support Vector Machine (SVM) i posłużą do oceny ryzyka kredytowego przedsiębiorstw niefinansowych. Podczas tworzenia modeli zmienne zostaną poddane transformacji Weight of Evidence (WoE), liczba potencjalnych predykatorów zostanie zredukowana na podstawie statystyki Information Value (IV). Jakość modeli zostanie oceniona według najpopularniejszych kryteriów, takich jak statystyka Giniego, Kołmogorowa-Smirnowa (K-S) oraz Area Under Receiver Operating Characteristic (AUROC). Na podstawie wyników stwierdzono, iż występują istotne różnice między modelem regresji logistycznej o charakterze dyskryminacyjnym a SVM dla próbki modelowej. W przypadku próby walidacyjnej regresja logistyczna ma najlepszą zdolność prognostyczną. Analizy te można wykorzystać w celu zmniejszenia ryzyka negatywnych skutków dla sektora finansowego.(abstrakt oryginalny)

Słowa kluczowe

EN

Risk analysis; Logistic regression; Credit risk; Support Vector Machines (SVM)

PL

Analiza ryzyka; Regresja logistyczna; Ryzyko kredytowe; Metoda wektorów nośnych (SVM)

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2018
• Tom: 22
• Numer: nr 2
• Strony: 54--73

Twórcy

autor

Natalia Nehrebecka

• National Bank of Poland; University of Warsaw

Bibliografia

• Abildgren K., Buchholst B.V., Staghøj J., 2011, Bank-firm relationships and the performance of non-financial firms during the financial crisis 2008-09 microeconometric evidence from large-scale firm-level data, Working Paper, no. 73. Danmarks National Bank.
• Akbani R., Kwek S., Japkowicz N., 2004, Applying support vector machines to imbalanced datasets, In Machine Learning: ECML 2004. Springer, pp. 39-50.
• Anderson R., 1999, The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation, Oxford University Press, New York.
• Anderson R., 2007, The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation, Oxford: Oxford University Press.
• Anderson R., 2015, Piecewise Logistic Regression: an Application in Credit Scoring, Credit Scoring and Control Conference XIV, Edinburgh.
• Antonowicz P., 2007, Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstw, Gdańsk.
• Appenzeller D., Szarzec K., 2004, Prognozowanie zagrożenia upadłością polskich spółek publicznych, Rynek Terminowy, no. 1, pp. 120-128.
• Auria L., Moro R., 2008, Support Vector Machines (SVM) as a Technique for Solvency Analysis, Discussion Papers, DIW Berlin.
• Bellotti T., Crook J., 2009, Support vector machines for credit scoring and discovery of significant features, Expert Systems with Applications vol. 36, no. 2, pp. 3302-3308.
• Crone S., Finlay S., 2012, Instance sampling in credit scoring: An empirical study of sample size and balancing, International Journal of Forecasting, vol. 28.
• Gajdka J., Stos D., 1996, Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa spółki, [w:] Duraj J. (red.), Przedsiębiorstwo na rynku kapitałowym, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
• Gajdka J., Stos D., 2003, Ocena kondycji finansowej polskich spółek publicznych w okresie 1998-2001, [w:] Zarzecki D. (red.), Czas na pieniądz. Zarządzanie finansami. Mierzenie wyników i wycena przedsiębiorstw, tom I, Wydawnictwo Uniwersytetu Szczecińskiego, Szczecin.
• Ghodselahi A., 2011, A hybrid support vector machine ensemble model for credit scoring, International Journal of Computer Applications, no. 17.
• Görg H., Spaliara M. E., 2009, Financial Heath, exports and firm survival: A comparison of British and French firms, Kiel Institute for the World Economy Working Paper 1568.
• Gray R., Owen D., Sopher M.J., 1998, Setting up a control system for your organization, Nonprofit World, vol. 16, no 3, pp. 65-76.
• Gruszczyński M., 2003, Modele mikroekonometrii w analizie i prognozowaniu zagrożenia finansowego przedsiębiorstw, Studia Ekonomiczne nr 34, Wydawnictwo INE PAN, Warszawa.
• Hadasik D., 1998, Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, Zeszyty Naukowe, Seria II, nr 153, Akademia Ekonomiczna w Poznaniu, Poznań.
• Haltuf M., 2014, Support Vector Machine for Credit Scoring, University of Economics in Prague.
• Hamrol M., Czajka B., Piechocki M., 2004, Upadłość przedsiębiorstwa - model analizy dyskryminacyjnej, Przegląd Organizacji, no. 6, pp. 35-39.
• Härdle W., Moro R., Schäfer D., 2007, Estimating Probabilities of Default With Support Vector Machines, http://edoc.hu-berlin.de/series/sfb-649-papers/2007-35/PDF/35.pdf.
• Härdle W., Lee Y.-J., Schäfer D., Yeh Y.-R., 2008, The Default Risk of Firms Examined with Smooth Support Vector Machines, SFB 649 Discussion Papers SFB649DP2008-005, Sonderforschungsbereich 649, Humboldt University, Berlin, Germany.
• Härdle W., Lee Y.-J., Schäfer D., Yeh Y.-R., 2009, Variable selection and oversampling in the use of smooth support vector machine for predicting the default risk of companies, Journal of Forecasting, vol. 28, no. 6, pp. 512-534.
• Hołda A., 2001, Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH, Rachunkowość, no. 5, pp. 306-310.
• Jankowitsch R., Pichler S., Schwaiger W., 2007, Modelling the economic value of credit rating systems, Journal of Banking & Finance, vol. 31, no. 1.
• Korol T., Prusak B., 2005, Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji, CeDeWu.pl., Wydawnictwo Fachowe, Warszawa.
• Kisielińska J., Waszkowski A., Polskie modele do prognozowania bankructwa przedsiębiorstw i ich weryfikacja, On line. http://www.wne.sggw.pl/czasopisma/pdf/EIOGZ_2010_nr82_s17.pdf.
• Lacerda A., Russ I., Moro A., 2008, Analysis of the predictors of default for Portuguese firms, https://www.bportugal.pt/en-US/BdP%20Publications%20Research/WP200822.pdf.
• Lovie A., Lovie P., 1986, The flat maximum effect and linear scoring models for prediction, Journal of Forecasting, vol. 5, no. 3.
• Mączyńska E.,1994, Ocena kondycji przedsiębiorstwa (uproszczone metody), Życie Gospodarcze, no. 38, pp. 42-45.
• Mączyńska E., Zawadzki M., 2006, Dyskryminacyjne modele predykcji bankructwa przedsiębiorstw, Ekonomista. Warszawa.
• Mercer J., 1990, Functions of positive and negative type and their connection with the theory of integral equations, Philosophical Transactions of the Royal Society of London, no. 209.
• Nehrebecka N., 2011, Wykorzystanie łańcuchów Markowa do prognozowania zmian w strukturze polskich przedsiębiorstw, Gospodarka Narodowa, no. 10.
• Nehrebecka N., 2015, Approach to the assessment of credit risk for non-financial corporations, Poland Evidence, Bank for International Settlements.
• Pogodzińska M., Sojak S., 1995, Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw, AUNC, Ekonomia XXV, no. 299, Toruń.
• Prusak B., 2005, Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw, Warszawa.
• Rossi S. P.S., Schwaiger M. S., Winkler G., 2009, How loan portfolio diversification affects risk, efficiency and capitalization: A managerial behavior model for Austrian banks, Journal of Banking & Finance, Elsevier, vol. 33, no.12, pp. 2218-2226.
• Schebesch, K.B., Stecking R., 2005, Support vector machines for classifying and describing credit applicants: detecting typical and critical regions, Journal of the Operational Research Society, vol. 56, no. 9, pp. 1082-1088.
• Sharma D., 2011, Evidence in Favor of Weight of Evidence and Binning Transformations for Predictive Modeling, Social Science Research Network.
• Shawe-Taylor J., Cristianini N., 2000, Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge University Press.
• Siarka P., 2011, Quality measures of scoring models, Journal of Risk Management in Financial Institutions, London.
• Sojak S., Stawicki J., 2001, Wykorzystanie metod taksonomicznych do oceny kondycji ekonomicznej przedsiębiorstw, [w:] Bednarski L. (red.), Zeszyty teoretyczne rachunkowości, tom 3 (59), Warszawa, pp. 56-67.
• Wierzba D., 2000, Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie wskaźników finansowych - teoria i badania empiryczne, Zeszyty Naukowe nr 9, Wydawnictwo Wyższej Szkoły Ekonomiczno-Informacyjnej w Warszawie, Warszawa, pp. 79-105.

Identyfikatory

DOI

10.15611/eada.2018.2.05