Modelování rizika předčasného splacení hypotečního úvěru

Bc. Rostyslav Melnyk

Diplomová práce

Modelling prepayment risk in residential mortgages

Anotace:

Hlavním cílem práce je tvorba nástroje predikce předčasného splacení hypotečního úvěru. Prostředí nízkých úrokových sazeb vyvolalo pobídky k refinancování na trhu rezidenčních hypoték. Neplánované vyplacení části nebo celé zbývající jistiny je finančními institucemi vnímáno jako podstatné riziko. Teoretická část zkoumá základní terminologii a vysvětluje, jak předčasné splacení ovlivňuje produkty MBS. Přehled literatury seznamuje čtenáře s nejpoužívanějšími modely pro predikci rizika. Kromě použití tradičních metod, jako je logistická regrese nebo Markovův řetězec, autor používá dva průkopnické algoritmy strojového učení k předpovědi předčasné platby: náhodný les (Random forest) a Gradient boosting. Datová sada se skládala z 300,000 konvenčních hypoték vydaných ve Spojených státech v období 2015-2020. Vytvořené modely byly prozkoumány a porovnány.

Abstract:

The thesis' major purpose is to develop a model for predicting mortgage loan prepayment. The low interest rate environment has prompted refinancing incentives in the residential mortgage market. Unscheduled payout of a portion or the entire remaining principal is perceived as a risk by financial institutions. The theoretical section examines the fundamental terminology and explains how prepayment affects MBS products. The literature review assists the reader in recognizing the most widely used models for predicting prepayment risk. In addition to using traditional techniques like logistic regression or the Markov chain, the author uses two pioneering machine learning algorithms to forecast prepayment: Random forest and Gradient boosting. The training data consisted of 300,000 conventional mortgages issued in the United States between 2015 and 2020. The created models were assessed and compared.

Keywords

prepayment risk, machine learning, random forest, gradient boosting, riziko předčasného splacení, strojové účení, náhodný les, Markov chain, Markovův řetězec, logistická regrese, logistic regression

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 16. 5. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 23. 6. 2022
• Vedoucí: Ph.D. Oleg Deev
• Oponent: Ing. Tomáš Plíhal, Ph.D.

Masarykova univerzita

Ekonomicko-správní fakulta

Magisterský studijní program / obor:
Finance / Finance