Publikace detail

Probabilistic Neural Networks for Credit Rating Modelling

Autoři: Hájek Petr

Rok: 2010

Druh publikace: článek ve sborníku

Název zdroje: Proceedings of the International Conference on Neural Computation 2010

Název nakladatele: International Joint Conference on Computational Intelligence

Místo vydání: Setúbal

Strana od-do: 289-294

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte