Univerzita Pardubice Fakulta ekonomicko- správní

Univerzita Pardubice

Zaměstnanci
|
Studenti
English

Publikace detail

Using Meta Learning Methods to Forecast Sub-Sovereign Credit Ratings

Autoři: Toseafa Evelyn

Rok: 2018

Druh publikace: článek v odborném periodiku

Název zdroje: Journal of Eastern Europe Research in Business and Economics

Strana od-do: 1-12

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Metody meta-učení pro predikci úvěrových ratingů regionů	Článek analyzuje predikci úvěrových ratingů regionů metodami strojového učení v regionech mimo USA, Evropě a ostatních. Důraz je kladen na vývoj přesného predikčního modelu. Přesnost predikci byla měřena na dvou časových horizontech. Studie se dále zaměřila na minimalizaci nákladů spojených s klasifikací uvěrových ratingů napříč zeměmi a regiony. Celá řada determinantů (ekonomických a finančních) byla brána v úvahu jako vstupy modelů. Náklady klasifikace byly požity jako účelová funkce modelů. Článek ukazuje, že modely strojového učení jsou přesné v klasifikaci úvěrových ratingů regionů. Random forest a SMO algoritmus poskytly významně přesnější predikci než ostatní statistické metody. Poskytnuty jsou také politické implikace výsledků.
eng	Using Meta Learning Methods to Forecast Sub-Sovereign Credit Ratings	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. The forecasting accuracy was examined 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 minimizes the cost of credit rating classification for sub-sovereign entities across countries and world regions. Each side of the economic, financial and debt and budget, revenues and expenditures were considered to provide sufficient inputs for the machine learning models. The analyses is to consider the ordinal character of the rating classes, classification cost (cost-sensitivity) which is used as objective function, in assessing credit ratings and evaluating of bonds i.e. regional credit rating modeling. This paper has been able to demonstrate that machine learning models based on current available financial and economic data present accurate classifications of credit ratings. Also the sub-sovereign credit rating forecast signified that the Random Forest and SMO algorithm performed significantly better than the statistical methods. Some practical implications were also provided.	Sub-sovereign; credit risk; credit rating; machine learning