Publikace detail

Forecasting Sub-Sovereign Credit Ratings using Machine Learning Methods

Autoři: Toseafa Evelyn

Rok: 2017

Druh publikace: článek ve sborníku

Název zdroje: Proceedings of the 30th International Business Information Management Association Conference

Název nakladatele: International Business Information Management Association-IBIMA

Místo vydání: Norristown

Strana od-do: 1271-1279

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Predikce úvěrových ratingů regionů pomocí metod strojového učení	Tento článek analyzuje především predikce úvěrových ratingů regionů s využitím metod strojového učení v i mimo USA, Evropě a dalších regionech. Konkrétní zaměření je založeno na vývoji přesného predikčního modelu založeného na strojovém učení. Přesnost predikce zkoumáme na dvou horizontech, jeden a dva roky dopředu. Studie byla navržena tak, aby určila nákladovou citlivost různých metod strojového učení a vytvořila přesný systém pro podporu rozhodování, který minimalizuje náklady klasifikace úvěrového ratingu pro subjekty v různých zemích a regionech světa. Berou se v úvahu všechny stránky ekonomiky, financí a dluhu, rozpočtu, výnosů a nákladů, abychom poskytli dostatečné vstupy pro modely strojového učení. Analýzy spočívají v hodnocení klasifikačních tříd, klasifikačních nákladů, které jsou používány jako účelové funkce, při hodnocení úvěrových ratingů a při hodnocení dluhopisů, tj. při regionálním modelování úvěrového ratingu.	ratingový model; úvěrové riziko; úvěrový rating; strojové učení
eng	Forecasting Sub-Sovereign Credit Ratings using Machine Learning Methods	This paper mainly analyses the forecasting of sub-sovereign credit ratings using machine learning methods in the non-US, Europe and other regional and sub-sovereign ratings. Specific focus is based on developing an accurate forecasting model based on machine learning. We examine its forecasting accuracy on two forecasting horizons, one and two years ahead. The study was designed to determine the cost sensitivity of various machine learning methods and to develop an accurate decision-support system that minimize the cost of credit rating classification for sub-sovereign entities across countries and world regions. We looked at each side of the economic, financial and debt and budget, revenues and expenditures, to provide sufficient inputs for the machine learning models. The analyses is to consider the ordinal character of the rating classes, classification cost (cost-sensitive) which is used as objective function, in assessing credit ratings and evaluating of bonds i.e. regional credit rating modelling.	rating model; sub-sovereign; credit risk; credit rating; machine learning

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte