Login for students

Login for employees

Publication detail

Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning
Authors: Hájek Petr | Olej Vladimír
Year: 2011
Type of publication: článek v odborném periodiku
Name of source: Neural Computing and Applications
Publisher name: Springer
Page from-to: 761-773
Titles:
Language Name Abstract Keywords
cze Modelování úvěrového ratingu pomocí přístupů založených na kernelech s učením s učitelem a částečným učením s učitelem Tento článek představuje možnosti modelování z přístupů založených na kernelech na komplexním reálném problému, tj. klasifikaci ratingu podniků a obcí. Na základě návrhu modelu, který obsahuje předzpracování dat, označování jednotlivých parametrů vektorů pomocí expertního posouzení, konstrukci různých support vector machines s učením s učutelem, stejně jako přístupů založených na kernelech s částečným učením s učitelem, je prováděno modelování pro klasifikaci objektů do ratingových tříd. Výsledky ukazují, že ratingové třídy, přiřazené emitentům dluhopisů, mohou být klasifikovány s vysokou přesností pomocí omezené podmnožiny vstupních proměnných. To platí i pro přístupy založené na kernelech s učením s učitelem i částečným učením s učitelem. Úvěrový rating; kernel; support vector machine; učením s učitelem; částečné učení s učitelem
eng Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning This paper presents the modelling possibilities of kernel-based approaches to a complex real-world problem, i.e. corporate and municipal credit rating classification. Based on a model design that includes data pre-processing, the labelling of individual parameter vectors using expert knowledge, the design of various support vector machines with supervised learning as well as kernel-based approaches with semi-supervised learning, this modelling is undertaken in order to classify objects into rating classes. The results show that the rating classes assigned to bond issuers can be classified with high classification accuracy using a limited subset of input variables. This holds true for kernel-based approaches with both supervised and semi-supervised learning. Credit rating; kernel; support vector machines; supervised learning; semi-supervised learning

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