Publikace detail

IVIFCM-TOPSIS for bank credit risk assessment

Autoři: Froelich Wojciech | Hájek Petr

Rok: 2019

Druh publikace: článek ve sborníku

Název zdroje: Intelligent Decision Technologies 2019 : Proceedings of the 11th KES International Conference on Intelligent Decision Technologies (KES-IDT 2019), Vol. 1

Název nakladatele: Springer Nature

Místo vydání: Heidelberg

Strana od-do: 99-108

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	IVIFCM-TOPSIS pro hodnocení úvěrového rizika bank	Hodnocení úvěrového rizika bank provádí ratingové agentury, aby se snížila informační asymetrie na finančních trzích. Tento nákladný proces byl v dřívějších studiích automatizován pomocí systémů založených na metodách strojového učení. Takové systémy však trpí problémy s interpretovatelností a nevyužívají efektivně expertní znalosti. K překonání těchto problémů byly v poslední době použity metody vícekriteriálního skupinového rozhodování (MCGDM), které simulují proces hodnocení prováděný skupinou odborníků na úvěrové riziko. Standardní metody MCGDM však nezohledňují vysokou nejistotu neodmyslitelně spojenou s hodnocením a nepracují účinně, když se posuzovaná kritéria úvěrového rizika vzájemně ovlivňují. K vyřešení těchto problémů navrhujeme model MCGDM pro hodnocení bankovního úvěrového rizika, který má dvě výhody: (1) Nepřesná hodnotící kritéria jsou reprezentována intervalovými intuicionistickými fuzzy množinami a (2) interakce mezi kritérii jsou modelovány pomocí fuzzy kognitivní mapy. V kombinaci s tradičním přístupem TOPSIS k klasifikačním alternativám ukazujeme, že navrhovaný model lze efektivně uplatnit při hodnocení bankovního úvěrového rizika.	bankovní úvěrové riziko; systém na podporu rozhodování; fuzzy kognitivní mapa; intervalové intuicionistické fuzzy množiny; TOPSIS
eng	IVIFCM-TOPSIS for bank credit risk assessment	Bank credit risk assessment is performed by credit rating agencies in order to reduce information asymmetry in financial markets. This costly process has been automated in earlier studies by using systems based on machine learning methods. However, such systems suffer from interpretability issues and do not utilize expert knowledge effectively. To overcome those problems, multi-criteria group decision-making (MCGDM) methods have recently been used to simulate the assessment process performed by the committee of multiple credit risk experts. However, standard MCGDM methods fail to consider high uncertainty inherently associated with the assessment and do not work effectively when the assessed credit risk criteria interact with each other. To address these issues, we propose MCGDM model for bank credit risk assessment that has two advantages: (1) The imprecise assessment criteria are represented by interval-valued intuitionistic fuzzy sets, and (2) the interactions among the criteria are modeled using fuzzy cognitive maps. When combined with traditional TOPSIS approach to ranking alternatives, we show that the proposed model can be effectively applied to assess bank credit risk.	Bank credit risk; assessment; Decision support system; Fuzzy cognitive maps; Interval-valued intuitionistic fuzzy sets; TOPSIS

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte