Modelowanie ryzyka kredytowego w małych i średnich firmach rodzinnych przy wykorzystaniu sztucznych sieci neuronowych

• Autorzy: Tomasz Jasiński

Warianty tytułu

Modeling Credit Risk for Small and Medium-sized Family Businesses Using Artificial Neural Networks

• Języki publikacji: PL

Abstrakty

Termin firmy rodzinne często utożsamiany jest z firmami sektora MŚP. W istocie należy przyznać, że to właśnie MŚP stanowi dominujące środowisko ich funkcjonowania. W niniejszym opracowaniu zostaną przedstawione możliwości dokonywania analiz związanych z ryzykiem kredytowym w firmach sektora MŚP przy wykorzystaniu stosunkowo nowoczesnych narzędzi jakim są sztuczne sieci neuronowe (ANN - ang. Artificial Neural Networks). Wspomniane narzędzie zostało wybrane z co najmniej kilku powodów. Po pierwsze zupełnie niesłusznie jest ono uważane za technikę, która jak to się często słyszy, polega na "wróżeniu z fusów", podczas gdy w rzeczywistości ANN stanowią zaawansowane narzędzie matematyczne, bardzo często pod kątem stopnia komplikacji i dogłębności analiz przewyższające inne techniki powszechnie stosowane podczas prognozowania o charakterze finansowym. Kolejny powód wynika bezpośrednio z zasady funkcjonowania ANN i, co zazwyczaj nie jest podkreślane, niejako predysponuje to narzędzie do wykorzystania w małych firmach - jest nim prostota użytkowania. ANN nie wymagają znajomości wszystkich parametrów modelu, który ma opisywać dane zjawisko. Duża część z nich jest dobierana przez sieć w sposób automatyczny. (fragment tekstu)

EN

The paper focuses mainly on the issues of use artificial neural networks to model credit risk for small and medium-sized family businesses. One of the most important problem is to make a proper choice of input data. The paper shows, that it is possible to use data sets obtained by the usage of other modelling methods (at least as a researches start point). It was emphasized, that like on the stock market, financial indicators should be used with methods of technical analysis. (original abstract)

Słowa kluczowe

PL

Małe i średnie przedsiębiorstwa; Przedsiębiorstwo rodzinne; Sztuczne sieci neuronowe (SSN); Modelowanie ryzyka kredytowego; Ryzyko; Bankructwo

EN

Small business; Family-owned business; Artificial neural networks (ANN); Credit risk modelling; Risk; Bankruptcy

• Czasopismo: Przedsiębiorczość i Zarządzanie
• Rocznik: 2014
• Numer: t. 15, z. 7, cz. 2 Firmy Rodzinne - współczesne nurty badań i praktyki zarządzania
• Strony: 335--342

Twórcy

autor

Tomasz Jasiński

• Politechnika Łódzka

Bibliografia

• Altman E.I., Sabato G. (2007), Modeling Credit Risk for SMEs: Evidence from the US Market, Dean G.W., Jones S. (red.) "Abacus", z. 43, nr 3.
• Arsie I., Pianese C., Rizzo G. (1999), Enhancement of Control Oriented Engine Models Using Neural Network, Theory and Practice of Control and Systems, Proceedings of the 6th IEEE Mediterranean Conference, Alghero, Sardynia, Włochy, 9-11 czerwca 1998.
• Burda A., Kuczmowska B., Hippe Z.S. (2007), Ensembles of Artificial Neural Networks for Predicting Economic Situation of Small and Medium Enterprises, Kurzynski M., Puchala E., Woźniak M., Żołnierek A. (red.), Computer Recognition Systems 2, Advances in Intelligent and Soft Computing, z. 45, Springer, Berlin/Heidelberg.
• Derelioğlu G., Gürgen F. (2009), A MLP Based PD Estimation Model For SME Credits, 24th International Symposium on Computer and Information Sciences, Ankara, Turkey.
• Helme S. (1999), Filters For Neural Net Trading Models, "Technical Analysis of Stocks & Commodities", nr 17, z. 11.
• Jackson T.O. (1997), Handbook of Neural Computation Part, z. 97/1, The Institute of Physics Publishing Ltd and Oxford University Press [online], www.iop.org/Books/CIL/HNC, część B4.2, dostęp: 19 marca 2003.
• Jasiński T. (2004), Zastosowanie dyskretnej transformaty falkowej do poprawy wyników uzyskiwanych przez sztuczne sieci neuronowe, Studia i prace Kolegium Zarządzania i Finansów, z. 48, Szkoła Główna Handlowa w Warszawie, Warszawa.
• Jasiński T. (2012), Wykorzystanie innowacyjnych metod prognostycznych opartych o sztuczną inteligencję w firmach rodzinnych na przykładzie przewidywania szeregów czasowych, Marjański A. (red.), Firmy rodzinne - współczesne wyzwania przedsiębiorczości rodzinnej. Determinanty rozwoju, t. XIII, z. 8, "Przedsiębiorczość i Zarządzanie", Łódź.
• Jasiński T., Ścianowska A. (2013), Możliwości oddziaływania na wzrost gospodarczy poprzez kontrolę poziomu ryzyka kredytowego w bankach przy wykorzystaniu systemów sztucznej inteligencji, [w:] Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Ekonomia.
• Kenedy R., Eberhart R. (1995), A New Optimizer Using Particle Swarm Theory, Proc. of 6th International Symposium on Micro Machine and Human Science, Nagoya, Japan. IEEE Service Center Piscataway NJ.
• Kuczmowska B., Burda A., Hippe Z.S. (2007), Prediction of Economic Situation of Small and Medium Enterprises Using Bayesian Network, [w:] Kurzynski M., Puchala E., Woźniak M., Żołnierek A. (red.), Computer Recognition Systems 2, Advances in Intelligent and Soft Computing, z. 45, Springer, Berlin/Heidelberg.
• Liu C., Xia X. (2010), The credit rating of small and medium enterprises based on neural network, [w:] Muchin V.E., Hu Z.B. (red.) IEEC 2010, 2nd International Symposium on Information Engineering and Electronic Commerce, Ternopil, Ukraine.
• Matoussi H., Krichene A. (2011), Credit risk assessment using Multilayer Neural Network Models. Case of a Tunisian bank, International Business and Social Science Research Conference in Bangkok.
• Siraj F., Yusoff M.H., Haris M.F., Salahuddin M.A., Yusof S.R.M., Hasan M.R. (2011), i-SME: Loan Decision Support System Using Neuro-CBR Approach, CIMSiM, Third International Conference on Computational Intelligence, Modelling and Simulation, Langkawi, Malaysia.
• Świąć A., Bilski J. (2000), Metoda wstecznej propagacji błędów i jej modyfikacje, [w:] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (red.) Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Tadeusiewicz R. (1998), Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Tadeusiewicz R. (2001), Wprowadzenie do sieci neuronowych, StatSoft Polska Sp. z o.o., Kraków.
• Trafalis T.B. (2000), Neural and radial basis function networks - Lecture 12, School of Industrial Engineering University of Oklahoma, Norman.
• White A. (1992), Filtering Trades With A Moving Average Slope, "Technical Analysis of Stocks & Commodities", nr 10, z. 8.