Publikace detail

Feature selection in corporate credit rating prediction

Autoři: Hájek Petr | Michalak Krzysztof

Rok: 2013

Druh publikace: článek v odborném periodiku

Název zdroje: Knowledge-Based Systems

Název nakladatele: Elsevier Science BV

Místo vydání: Amsterdam

Strana od-do: 72-84

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte