Alternativní metody modelování pravděpodobnosti defaultu – Tomáš Chalupa
Tomáš Chalupa
Master's thesis
Alternativní metody modelování pravděpodobnosti defaultu
Alternative Methods of Modelling the Probability of Default
Abstract:
Cílem této práce je srovnání šesti různých modelů, které slouží k predikci binární proměnné, konkrétně pak pravděpodobnosti defaultu úvěru. Použité modely jsou lineární regrese, logistická regrese, probitová regrese, neuronová síť, Support vector regrese a Random forest. Tyto modely jsou vytvořeny pro dva různé datasety k porovnání výkonnosti modelů v závislosti na velikosti dat. V práci jsou použity …moreAbstract:
The aim of this thesis is a comparison of six different models, which serve to predict the binary variable, namely the probability of default of loan. Models used are linear regression, logistic regression, probit regression, neural network, Support vector regression and Random forest. These models are fitted for two different datasets to compare model performance based on data size. There are three …more
Language used: Czech
Date on which the thesis was submitted / produced: 25. 10. 2017
Identifier:
http://www.vse.cz/vskp/eid/73614
Thesis defence
- Date of defence: 6. 6. 2018
- Supervisor: Tomáš Formánek
- Reader: Ondřej Sokol
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Vysoká škola ekonomická v Prazehttp://www.vse.cz/vskp/eid/73614
Vysoká škola ekonomická v Praze
Master programme / field:
Kvantitativní metody v ekonomice / Ekonometrie a operační výzkum
Theses on a related topic
-
Text classification with artificial neural networks
Anouk Wilstra -
Artificial Neural Networks in Space of Stock Returns: Volatility Prediction
Šimon Škorňa -
Interpretation of artificial neural networks for image recognition
Alexey Ulyanin -
Gradient Boosting Machine and Artificial Neural Networks in R and H2O
Juraj Sabo -
Support vector machines a evoluční algoritmy
Martin Ševčík -
Support vector machines: teorie, aplikace a softwarové implementace
Daniil Podtesov -
Rozpoznávání ručně psaných číslic pomocí support vector machines
Jozef Hricko -
Support vector machines for credit scoring
Michal Haltuf