Komparativní analýza modelů pro predikci pravděpodobnosti defaultu

Stevan Vujčić

Master's thesis

Anotácia:

Série standardně používaných modelů strojového učení je odhadnuta na behaviorálních datech o úvěrech na bydlení a hypotéky významné české bankovní instituce. Za účelem ověření robustnosti výsledků jsou modely odhadnuty za různých přístupů k přeprocesování dat a selekce vysvětlujících proměnných. Uvažuje se několik kombinací transformací vysvětlujících proměnných, balancování poměru tříd závislé proměnné, odstranění multikolinearity a selekce vysvětlujících proměnných. Zjištěním je, že v případě portfolia úvěrů na bydlení a hypotéky není klasicky používaná logistická regrese nijak překonána modernějšími metodami, jako jsou neuronové sítě či boosting.

Abstract:

A series of common machine learning models is estimated using behavioral home loans data of a major Czech banking institution. To address robustness, a variety of algorithms are used for modeling coupled with different approaches to data preprocessing and feature selection. Namely, several takes at feature transformations, class balancing, multicollinearity removal and feature selection are accounted for. It is found that in the case of the Czech home loans data the classical logistic regression approach is not outperformed by the more modern methods such as artificial neural networks or boosting.

Kľúčové slová

Kreditní riziko, Strojové učení, Pravděpodobnost defaultu

Keywords

Machine Learning, Probability of Default, Credit Risk

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 26. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 18. 6. 2024
• Vedúci: Milan Fičura
• Oponent: Luděk Palán

Vysoká škola ekonomická v Praze

Master programme:
Finanční inženýrství