Sieci neuronowe a podejście oparte na ratingach wewnętrznych. Studium przypadku

• Autorzy: Aleksandra Wójcicka-Wójtowicz

Warianty tytułu

Neural Networks vs. Internal-rating Based Approach. A Case Study

• Języki publikacji: PL

Abstrakty

Banki uważane są za instytucje zaufania publicznego. Zaufanie to zostało nadwyrężone przez ostatni kryzys finansowy w 2007 r. W związku ze wzrostem zanotowanych bankructw banki zaczęły przywiązywać większą wagę do oceny ryzyka kredytowego, które w skrajnych przypadkach może doprowadzić do bankructwa banku. Basel III skupia się na potrzebie uściślenia regulacji dotyczących zarządzania ryzykiem i modeli wywodzących się z ratingów wewnętrznych. Jednocześnie coraz większą popularność w klasyfikacji kredytobiorców zyskują sieci neuronowe. Celem artykułu jest przedstawienie zastosowania perceptronu wielowarstwowego ze wsteczną propagacją w klasyfikacji kredytobiorców i porównanie jakości klasyfikacji z modelem ratingów wewnętrznych. Na podstawie przeprowadzonych badań można stwierdzić, że sieci neuronowe ze względu na łatwość adaptacji i możliwość dynamicznego kształtowania zbioru zmiennych wejściowych (input) osiągają lepsze wyniki klasyfikacji kredytobiorców niż mniej elastyczne metody, takie jak testowana metoda IRB.(abstrakt oryginalny)

EN

Banks were always considered the institutions of public trust. However, this trust was significantly violated in the past crises. The insufficiency of some approaches led to the implementation of new improved methods such as artificial neural networks (ANN). The classification task in risk management can be of identifying potential debtors due to their ability to pay back the debt in contractual time due to the ex-post financial information. The objective of the paper is to investigate and compare an Internal-Ratings Based method with Multi-layer Perceptron Neural Network in the process of classification of banks' potential clients. The results of those different methods are juxtaposed, and their performance compared to decide whether NN have truly any predictive advantage over other presented methods in forecasting a future default.(original abstract)

Słowa kluczowe

PL

Ryzyko kredytowe; Sieci neuronowe

EN

Credit risk; Neural networks

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2018
• Numer: nr 533 Finanse przedsiębiorstw i gospodarstw rolnych
• Strony: 250--258

Twórcy

autor

Aleksandra Wójcicka-Wójtowicz

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• Bartos K., 2012, Wykorzystanie sztucznych sieci neuronowych w badaniach zachowań konsumentów, Zeszyty Naukowe Uniwersytetu Szczecińskiego, nr 703, Ekonomiczne Problemy Usług, nr 88/2012.
• Haykin S., 2011, Neural Networks and Learning Machines, Third Edition, PHI Learning Private Limited, New Dehli.
• https://www.statsoft.pl/textbook.
• http://www.SciRP.org/journal/jilsa.
• Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., 2007, Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
• Richard M., Lippmann R., 1991, Neural network classifiers estimate Bayesian a posteriori probabilities neural computation, vol. 3, no. 4, s. 461-483.
• Tsai C.Y., 2000, An iterative feature reduction algorithm for probabilistic neural networks, Omega, 28(5), 513-524.
• Witkowska D., 2002, Sztuczne sieci neuronowe i metody statystyczne - wybrane zagadnienia finansowe, C.H. Beck, Warszawa.
• Wójcicka-Wójtowicz A., 2017, Neural networks vs discriminant analysis in the assessment of default, Annales Universitatis Mariae Curie-Skłodowska. Sectio H. Oeconomia, 51 (5), s. 339-349. DOI:10.17951/h.2017.51.5.339.
• Wójcicka-Wójtowicz A., 2018, Can artificial neural networks detect fraud? A case study, [w:] Szkutnik W., Sączewska-Piotrowska A., Hadaś-Dyduch M., Acedański J. (red.), 9th International Scientific Conference "Analysis of International Relations 2018. Methods and Models of Regional Development. Winter Edition", Conference Proceedings, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, Katowice.
• Wójcicka-Wójtowicz A., Piasecki K., 2017, Capacity of Neural Networks and Discriminant Analysis in Classifying Potential Debtors, Folia Oeconomica Stetinensia, vol. 17, issue 2.

Identyfikatory

DOI

10.15611/pn.2018.533.24