Název:
Aplikace umělé inteligence v řízení kreditních rizik
Překlad názvu:
Artificial Intelligence Approach to Credit Risk
Autoři:
Říha, Jan ; Baruník, Jozef (vedoucí práce) ; Vošvrda, Miloslav (oponent) Typ dokumentu: Diplomové práce
Rok:
2016
Jazyk:
eng
Abstrakt: [eng][cze] This thesis focuses on application of artificial intelligence techniques in credit risk management. Moreover, these modern tools are compared with the current industry standard - Logistic Regression. We introduce the theory underlying Neural Networks, Support Vector Machines, Random Forests and Logistic Regression. In addition, we present methodology for statistical and business evaluation and comparison of the aforementioned models. We find that models based on Neural Networks approach (specifically Multi-Layer Perceptron and Radial Basis Function Network) are outperforming the Logistic Regression in the standard statistical metrics and in the business metrics as well. The performance of the Random Forest and Support Vector Machines is not satisfactory and these models do not prove to be superior to Logistic Regression in our application.Tato práce se zabývá aplikaci umělé inteligence v řízení kreditního rizika. Tento moderní přístup je porovnán s aktuálním standardem trhu, s logistickou regresí. V práci prezentujeme teorii zaměřenou na neuronové sítě, podpůrné vektorové stroje, náhodné lesy a logistickou regresi. Také se zabýváme metodologií na vyhodnocení a porovnávání těchto modelů ze statistického a obchodního hlediska. Zjistili jsme, že modely z kategorie neuronových sítí, zejména Multi-Layer Perceptron a Radial Basis Function Network, překonávají logistickou regresi ve standardních statistických a obchodních kritériích. Výkonnost náhodných lesů a podpůrných vektorových strojů není dostatečná a v naší práci jejich výkonnost nedosahovala výkonnosti logistické regrese.
Klíčová slova:
Kreditní Riziko; Logistická Regrese; Neuronové Sítě; Náhodné Lesy; Podpůrné Vektorové Stroje; Scoring; Keywords Credit Risk; Logistic Regression; Neural Networks; Random Forests; Scoring; Support Vector Machines