Comparison of statistical methods for the scoring models development
| Název práce v češtině: | Srovnání statistických metod pro vývoj skóringových modelů |
|---|---|
| Název v anglickém jazyce: | Comparison of statistical methods for the scoring models development |
| Klíčová slova: | kreditní riziko, skóringové modely, logistická regrese, neuronové sítě, rozhodovací stromy, náhodné lesy |
| Klíčová slova anglicky: | credit risk, scoring models, logistic regression, neural networks, decision trees, random forests |
| Akademický rok vypsání: | 2016/2017 |
| Typ práce: | diplomová práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra pravděpodobnosti a matematické statistiky (32-KPMS) |
| Vedoucí / školitel: | Sebastiano Vitali, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 26.01.2017 |
| Datum zadání: | 30.01.2017 |
| Datum potvrzení stud. oddělením: | 08.02.2017 |
| Datum a čas obhajoby: | 08.06.2018 08:00 |
| Datum odevzdání elektronické podoby: | 09.05.2018 |
| Datum odevzdání tištěné podoby: | 11.05.2018 |
| Datum proběhlé obhajoby: | 08.06.2018 |
| Oponenti: | doc. RNDr. Ing. Miloš Kopa, Ph.D. |
| Zásady pro vypracování |
| Student se seznámí se základními postupy a metodami vývoje skóringových modelů.
Cílem této práce je popsat aplikace různých statistických modelů pro odhad pravděpodobnosti defaultu klienta a nastínit proces vývoje skóringových funkcí ve finanční praxi. Student nejdříve uvede přehled teoretických metod používaných na predikci defaultu klienta, zejména metody logistické regrese, rozhodovací stromy a neuronové sítě. Modely vytvořené pomocí postupů popsaných v teoretické části budou analyzovány a vzájemně porovnány na reálných aplikačních klientských datech. Diplomová práce bude vypracována ve spolupráci s PROFI CREDIT Czech, a.s. |
| Seznam odborné literatury |
| [1] M. Bensic, N. Sarlija, M. Zekic-Susac : Modelling small-business credit scoring by using logistic regression, neural networks and decision trees, 2005
[2] B. Beyrouti , M. A. Doori: Credit Scoring Model Based on Back Propagation Neural Network Using Various Activation and Error Function, IJCSNS International Journal of Computer Science and Network Security, VOL.14 No.3, 2014 [3] D. J. Hand, W. E. Henley: Statistical Classification Methods in Consumer Credit Scoring: a Review, Journal of Royal Statistical Society A 160: 523-541,1996 [4] D. W. Hosmer, Jr., S. Rodney, R. X. Sturdivant : Applied Logistic Regression, Wiley, New York, 2013 [5] E. Mays, N. Lynas: Credit Scoring For Risk Managers: The Handbook For Lenders, South-Western Educational Pub, 2011 [6] N. Siddigi: Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring, John Wiley & Sons, Inc., Hoboken, New Jersey, 2006 |