Login for students

Login for employees

Publication detail

Feature selection in corporate credit rating prediction
Authors: Hájek Petr | Michalak Krzysztof
Year: 2013
Type of publication: článek v odborném periodiku
Name of source: Knowledge-Based Systems
Publisher name: Elsevier Science BV
Place: Amsterdam
Page from-to: 72-84
Titles:
Language Name Abstract Keywords
cze Selekce atributů v predikci úvěrového ratingu podniků Ohodnocení úvěrového ratingu je komplikovaný proces, v němž se bere v úvahu řada parametrů popisující podnik. Výsledkem tohoto procesu je přiřazení třídy, která reprezentuje spolehllivost potenciálního klienta. Toto hodnocení je nákladné, neboť využívá expertů v dané oblasti. Jednou z možností, jak snížit náklady tohoto hodnocení je využití automatického hodnocení. V tomto článku využíváme několika automatických klasifikačních metod pro toto ratingové hodnocení. Tyto metody jsou založeny na pradigmatu strojového učení s učitelem, kde jsou modely nejprve naučeny na trénovacích datech podniků s předem známou třídou a pak aplikovány na podniky s neznámou úvěrovou schopností. Využili jsme procedure selekce atributů, která zvýšila přesnost hodnocení klasifikátorů. Navíc vedla selekce atributů k redukci parametrů popisujících podniky, které musejí být známé před samotným automatickým hodnocením. Wrappery poskytly vyšší výkonnost ve srovnání s filtry pro obě datové množiny, amerických i evropských podniků. Lepší klasifikační výkon však byl dosažen za cenu dodatečné výpočetní náročnosti. Výsledky naznačují, že hodnocení amerických podniků upřednostňuje velikost podniků a ukazatele kapitálového trhu, zatímco evropská metodika spoléhá více na ukazatele rentability a zadluženosti. selekce atributů; úvěrový rating; klasifikace; wrapper; smíšená metoda selekce atributů
eng Feature selection in corporate credit rating prediction Credit rating assessment is a complicated process in which many parameters describing a company are taken into consideration and a grade is assigned, which represents the reliability of a potential client. Such assessment is expensive, because domain experts have to be employed to perform the rating. One way of lowering the costs of performing the rating is to use an automated rating procedure. In this paper, we assess several automatic classification methods for credit rating assessment. The methods presented in this paper follow a well-known paradigm of supervised machine learning, where they are first trained on a dataset representing companies with a known credibility, and then applied to companies with unknown credibility. We employed a procedure of feature selection that improved the accuracy of the ratings obtained as a result of classification. In addition, feature selection reduced the number of parameters describing a company that have to be known before the automatic rating can be performed. Wrappers performed better than filters for both US and European datasets. However, better classification performance was achieved at a cost of additional computational time. Our results also suggest that US rating methodology prefers the size of companies and market value ratios, whereas the European methodology relies more on profitability and leverage ratios. feature selection; credit rating; classification; wrapper; mixed feature selection method

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