Login for students

Login for employees

Publication detail

Probabilistic Neural Networks for Credit Rating Modelling
Authors: Hájek Petr
Year: 2010
Type of publication: článek ve sborníku
Name of source: Proceedings of the International Conference on Neural Computation 2010
Publisher name: International Joint Conference on Computational Intelligence
Place: Setúbal
Page from-to: 289-294
Titles:
Language Name Abstract Keywords
cze Pravděpodobnostní neuronové sítě pro modelování úvěrového ratingu Tato práce představuje možnosti modelování pravděpodobnostních neuronových sítí na komplexním reálném problému, tj. modelování ratingu. Nejprve jsou představeny současné přístupy k modelování úvěrového ratingu. Pak jsou navrženy pravděpodobnostní neuronové sítě určené pro klasifikaci podniků a obcí do ratingových tříd. Vstupní proměnné jsou získány z účetních výkazů a statistických výkazů v souladu s předchozími studiemi. Tyto proměnné představují vstupy pravděpodobnostních neuronových sítí, zatímco ratingové třídy od ratingových agentur Standard a Poor a Moody reprezentují výstupy. Přesnost klasifikace, náklady chybné klasifikace a příspěvky vstupních proměnných jsou studovány pro pravděpodobnostní neuronové sítě v porovnání s ostatními modely neuronových sítí. Výsledky ukazují, že ratingové třídy přiřazené emitentům dluhopisů mohou být přesně klasifikovány pomocí omezené podmnožiny vstupních proměnných. Pravděpodobnostní neuronové sítě; úvěrový rating
eng Probabilistic Neural Networks for Credit Rating Modelling This paper presents the modelling possibilities of probabilistic neural networks to a complex real-world problem, i.e. credit rating modelling. First, current approaches in credit rating modelling are introduced. Then, probabilistic neural networks are designed to classify US companies and municipalities into rating classes. The input variables are extracted from financial statements and statistical reports in line with previous studies. These variables represent the inputs of probabilistic neural networks, while the rating classes from Standard and Poor’s and Moody’s rating agencies stand for the outputs. Classification accuracies, misclassification costs, and the contributions of input variables are studied for probabilistic neural networks compared to other neural networks models. The results show that the rating classes assigned to bond issuers can be classified accurately with probabilistic neural networks using a limited subset of input variables. Probabilistic Neural Networks; Credit Rating

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives