Forecasting Regional Financial Performance Using Soft-Computing Methods

Ing. Evelyn Toseafa

Doctoral thesis

Abstract:

The difficulty in resolving the issues associated with forecasting regional financial performance has spurred the emergence of various applications of soft computing methods to tackle these challenges. This has inspired the development of hybrid models that employ diverse soft computing techniques. In this work, different machine learning methods such as random forest, XGBoost, support vector machines, neural networks, and fuzzy rule-based systems are utilized to improve the prediction of regional financial performance. I propose a novel hybrid method that integrates feature selection, class balancing, and ensemble classifiers in a cost-sensitive prediction scenario. More precisely, the proposed approach aims to develop an accurate decision support system that minimizes the misclassification cost in credit rating classification for subsovereign entities across various countries and world regions. Cost-sensitive learning is employed to adjust the training instances in accordance with the total cost associated with each class, facilitating the prediction of nominal rating classes at a lower misclassification cost. Furthermore, it is demonstrated that combining bagging with decision trees as base learners can mitigate the risk of overfitting, a common issue in individual machine learning methods. To validate the proposed approach, I have conducted experiments using two different types of datasets from Moody's credit rating agency. The results show that the proposed hybrid model surpasses existing forecasting models in terms of misclassification cost and other classification metrics.

Abstract:

Potíže s řešením problémů spojených s predikcí regionální finanční výkonnosti podnítily vznik různých metod soft computingu. To inspirovalo vývoj hybridních modelů, které kombinují různé soft computingové techniky. V této práci se ke zlepšení predikce regionální finanční výkonnosti využívají různé metody strojového učení, jako jsou náhodné lesy, XGBoost, podpůrné vektorové stroje, neuronové sítě a systémy založené na fuzzy pravidlech. Navrhuji nový hybridní model, který integruje selekci proměnných, vyvažování tříd a soubory klasifikátorů v nákladově citlivém predikčním scénáři. Přesněji řečeno, navrhovaný přístup si klade za cíl vyvinout přesný systém podpory rozhodování, který minimalizuje náklady na nesprávnou klasifikaci při predikci úvěrového ratingu pro regionální subjekty v různých zemích. Nákladově citlivé učení se používá k úpravě vah instancí při učení v souladu s celkovými náklady spojenými s každou třídou, což usnadňuje predikci nominálních ratingových tříd při nižších nákladech na nesprávnou klasifikaci. Kromě toho je prokázáno, že kombinování baggingu s rozhodovacími stromy jako základními klasifikátory může zmírnit riziko přeučení, což je běžný problém u jednotlivých modelů strojového učení. Pro ověření navrhovaného přístupu byly provedeny experimenty s použitím dvou různých typů datových souborů od ratingové agentury Moody's. Výsledky ukazují, že navrhovaný hybridní model předčí stávající predikční modely, zejména pokud jde o náklady na nesprávnou klasifikaci a další klasifikační metriky.

Keywords

regionální finanční výkonnost, region, úvěrový rating, metoda soft-computingu, strojové učení, soubory klasifikátorů, nákladově citlivé učení

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 12. 2. 2024

Zverejniť od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedúci: prof. Ing. Petr Hájek, Ph.D.

University of Pardubice

Faculty of Economics and Administration

Doctoral programme / odbor:
System Engineering and Informatics / Informatics in Public Administration