Pomiar korzyści z zastosowania modelu wielomianowego w ograniczeniu ryzyka kredytowego

• Autorzy: Jerzy Marzec
• Języki publikacji: PL

Abstrakty

Celem pracy (...) jest prezentacja pomiaru korzyści finansowych banku, wynikających z wykorzystania w procesie podejmowania decyzji kredytowych modelu wielomianowego dla kategorii porządkowanych. Udzielenie kredytu ma charakter decyzji dychotomicznej (tak lub nie), kredytobiorca zaś może dotrzymać warunków umowy kredytowej albo przestać spłacać raty kredytu lub odsetki, narażając bank na częściową lub całkowitą stratę odsetek i kapitału. Statystyczna teorii decyzji daje możliwość skonstruowania reguły, według której bank podejmuje decyzję o przyznaniu albo odmowie danego kredytu w zależności od marży kredytowej i poziomu ryzyka - wiarygodności potencjalnego kredytobiorcy. W przykładzie empirycznym wykorzystano dane o kredytach detalicznych z banku działającego w Polsce. Następnie przedstawiono wyniki, które między innymi informują, że bank stosując niestandardowe modele, np. o rozkładzie t Studenta i z aproksymacją II rzędu dla zmiennej ukrytej reprezentującej preferencje kredytobiorcy, uzyskuje w porównaniu do modeli probitowego i logitowego - dodatkowy zysk. Ogólna konkluzja z przeprowadzonych badań sprowadza się do stwierdzenia, iż zastosowanie któregokolwiek z proponowanych modeli ryzyka kredytowego pozwala ograniczyć to ryzyko i osiągnąć wymierne korzyści finansowe. (fragm. tekstu)

Słowa kluczowe

PL

Ryzyko kredytowe; Model probitowy; Modele ekonometryczne; Skoring kredytowy; Podejmowanie decyzji kredytowych; Podejmowanie decyzji w warunkach niepewności

EN

Credit risk; Probit model; Econometric models; Credit scoring; Credit decision making; Decision making under uncertainty

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2010
• Tom: Modelowanie preferencji a ryzyko '09
• Strony: 151--165

Twórcy

autor

Jerzy Marzec

• Uniwersytet Ekonomiczny w Krakowie

Bibliografia

• Albert J., Chib S. (1993). Bayesian Analysis of Binary and Polychotomous Response Data. Journal of the American Statistical Association, 88, 669-679.
• Amemiya T. (1985). Advanced Econometrics. Harvard University Press, Cambridge (Massachusetts).
• Bensic M., Sarlija N., Zekic-Susac M. (2005). Modelling Small-business Credit Scoring by Using Logistic Regression, Neural Networks and Decision Trees. International Journal of Intelligent Systems in Accounting and Finance Management, 13 (3), 133-150.
• Chrzanowska M., Witkowska D. (2005). Zastosowanie sztucznych sieci neuronowych do klasyfikacji ryzyka kredytowego podmiotów gospodarczych. [w:] Metody ilościowe w badaniach ekonomicznych V. SGGW, Warszawa, 80-89.
• Coombs C.H., Dawes R.M., Tversky A. (1977). Wprowadzenie do psychologii matematycznej. PWN, Warszawa.
• Cramer J.S. (2004). Scoring Bank Loans That May go Wrong: a Case Study. Statistica Neerlandica, 58, 3, 365-380.
• DeGroot M. (1981). Optymalne decyzje statystyczne. PWN, Warszawa.
• Discrimination, Competition, and Loan Performance in FHA Mortgage Lending. (1998). Red. J.A. Berkovec, G.B. Canner, S.A. Gabriel, T.H. Hannan. Review of Economics and Statistics, 80 (2), 241-250.
• Freixas X., Rochet J.C. (2007). Mikroekonomia bankowa. CeDeWU, Warszawa.
• Fritz S., Hosemann D. (2000). Restructuring the Credit Process: Behaviour Scoring for German Corporates. International Journal of Intelligent Systems in Accounting, Finance and Management, 9(1), 9-21.
• Hodgman D. (1960). Credit Risk and Credit Rationing. Quarterly Journal of Economics, 74,258-278.
• Hosmer D., Lemeshow S. (2000). Applied Logistic Regression, Wiley, New York.
• Jaffee D.M., Russell T. (1976). Imperfect Information, Uncertainty and Credit Rationing. Quarterly Journal of Economics, 4, 651-666.
• Kapłon R. (2006). Analiza danych dyskretnych w ujęciu retrospektywnym. Badania Operacyjne i Decyzje, 1, 55-72.
• Maddala G.S (1983). Limited-dependent and Qualitative Variables in Econometrics. Cambridge University Press, Cambridge.
• Marzec J. (2003). Bayesowska analiza modeli dyskretnego wyboru (dwumianowych). Przegląd Statystyczny, 50, 129-146.
• Marzec J. (2006). Bayesowski model wielomianowy z rozkładem t Studenta dla kategorii uporządkowanych. [w:] Metody ilościowe w naukach ekonomicznych. Szóste Warsztaty Doktorskie z Zakresu Ekonometrii i Statystyki. Red. A. Welfe. SGH, Warszawa, 123-144.
• Marzec J. (2008a). Bayesowska analiza i testowanie modeli dwumianowych z rozkładem t Studenta. Przegląd Statystyczny, 55, 2, 129-146.
• Marzec J. (2008b). Bayesowskie modele zmiennych jakościowych i ograniczonych w badaniach niespłacalności kredytów. Uniwersytet Ekonomiczny, Kraków.
• Marzec J. (2009). Zdolności dyskryminacyjne modelu dwumianowego ze skończoną mieszanką rozkładów normalnych w ocenie niespłacalności kredytów. [w:] Współczesne problemy statystyki, ekonometrii i matematyki stosowanej. Studia i Prace Uniwersytetu Ekonomicznego. Kraków, 3, 129-144.
• Marzec J. Modele dwumianowe w scoringu kredytowym - pomiar korzyści z ich zastosowania, (maszynopis).
• Matthews K., Thomson J. (2007). Ekonomika bankowości. PWE, Warszawa.
• McKelvey R.D., Zavoina W. (1975). A Statistical Model for the Analysis of Ordinary Level Dependent Variables. Journal of Mathematical Sociology, 4, 103-120.
• Misztal M. (2006). O zastosowaniu metody rekurencyjnego podziału w analizie ryzyka kredytowego. [w:] Modelowanie preferencji a ryzyko '05. Red. T. Trzaskalik. AE, Katowice, 453-468.
• Moffatt P.G. (2005). Hurdle Models of Loan Default. Journal of the Operational Research Society, 56, 1063-1071.
• Mudholkar G., George E. (1978). A Remark on the Shape of the Logistic Distribution. Biometrika, 65, 667-668.
• Osiewalski J. (2007). Bayesowska statystyka i teoria decyzji w analizie ryzyka kredytu detalicznego. [w:] Finansowe warunkowania decyzji ekonomicznych. Red. D. Fatuła. Krakowska Szkoła Wyższa, Kraków, 15-28.
• Osiewalski J., Marzec J. (2004). Model dwumianowy II rzędu i skośny rozkład Studenta w analizie ryzyka kredytowego. Folia Oeconomica Cracoviensia, 45, 63-84.
• Pratt J.W. (1981). Concavity of the Log Likelihood. Journal of the American Statistical Association, 76, 373, 103-106.
• Sealey C.W., Lindley J.T. (1977). Inputs, Outputs, and a Theory of Production and Cost at Depository Financial Institutions. The Journal of Finance, 3, 1251-1277.
• Structural Analysis of Discrete Data with Econometric Applications (1981). Ed. C. Manski, D. McFadden. MIT Press, Cambridge.
• Thomas L.C. (2000). A Survey of Credit and Behavioural Scoring: Forecasting Financial Risk of Lending to Consumers. International Journal of Forecasting, 16, 149-172.
• Thomas L.C., Oliver R.W., Hand D.J. (2005). A Survey of the Issues in Consumer Credit Modelling Research. Journal of the Operational Research Society, 56 (9), 1006-1015.
• Trinkle B., Baldwin A. (2007). Interpretable Credit Model Development Via Artificial Neural Networks. International Journal of Intelligent Systems in Accounting and Finance Management, 15 (3-4). 123-147.
• Witkowska D., Chrzanowska M. (2005). Wybrane metody klasyfikacji kredytobiorców: modele logitowe i sieci neuronowe. [w:] Modelowanie preferencji a ryzyko '04. Red. T. Trzaskalik. AE, Katowice, 531-540.
• Witkowska D., Chrzanowska M. (2006). Drzewa klasyfikacyjne jako metoda grupowania klientów banku. [w:] Modelowanie preferencji a ryzyko '05. Red. T. Trzaskalik. AE, Katowice, 485-496.