Αξιολόγηση πιστοληπτικής ικανότητας με χρήση εξελικτικού υπολογισμού
Η παρούσα εργασία έχει σαν στόχο να εξετάσει σύγχρονες μεθόδους υπολογιστικής νοημοσύνης και να τις εφαρμόσει στην αξιολόγηση του πιστωτικού κινδύνου. Ερευνά την απόδοση της μεθόδου των Γενετικών Αλγορίθμων και του Γενετικού Προγραμματισμού, που είναι εναλλακτικές προσεγγίσεις και προέρχονται απ’το...
Αποθηκεύτηκε σε:
| Περίληψη: | Η παρούσα εργασία έχει σαν στόχο να εξετάσει σύγχρονες μεθόδους υπολογιστικής νοημοσύνης και να τις εφαρμόσει στην αξιολόγηση του πιστωτικού κινδύνου. Ερευνά την απόδοση της μεθόδου των Γενετικών Αλγορίθμων και του Γενετικού Προγραμματισμού, που είναι εναλλακτικές προσεγγίσεις και προέρχονται απ’τον χώρο της υπολογιστικής νοημοσύνης. Τα δυο μοντέλα χρησιμοποιούνται για να αναπτυχθεί ένα πρότυπο αξιολόγησης του πιστωτικού κινδύνου χρησιμοποιώντας ένα μεγάλο δείγμα εταιριών που προέρχονται απ’το χαρτοφυλάκιο δανεισμού μιας επιφανούς ελληνικής εμπορικής τράπεζας. Ένα σύνολο 1411 εταιριών αποτελούν τα δείγματα για την εξέταση της εκπαίδευσης χρησιμοποιώντας οικονομικές πληροφορίες απ’την περίοδο 1994 έως 1997. Βάσει των διαθέσιμων οικονομικών στοιχείων των εταιρειών, χρησιμοποιούνται 11 χρηματοοικονομικοί δείκτες, ως επαρκή μέτρα του εταιρικού πιστωτικού κινδύνου. Επίσης βάσει των πιο πρόσφατων διαθέσιμων πληροφοριών γι’αυτές τις εταιρείες οι υπάλληλοι τις τράπεζας στο πιστωτικό τομέα αξιολόγησαν ότι απ’τις 1411 οι 1193 απ’ αυτές είναι εταιρίες χαμηλού πιστωτικού κινδύνου ενώ οι υπόλοιπες 218 εταιρίες είναι υψηλού πιστωτικού κινδύνου. Στην περίπτωση των Γενετικών Αλγορίθμων κατασκευάζονται 10 δοκιμαστικά test απ’τις υπό εξέταση εταιρείες, στα οποία αφήνουμε μια ομάδα εταιρειών απ’έξω κάθε φορά και γίνονται 10 εκτελέσεις απ’τις οποίες παίρνουμε τιμές κάθε φορά για τους 11 χρηματοοικονομικούς δείκτες. Απ’αυτές τις τιμές βγάζουμε ένα μέσο όρο για να δούμε ποιοι δείκτες βαραίνουν περισσότερο στον πιστωτικό κίνδυνο. Επίσης χρησιμοποιούμε τις ομάδες με τις εταιρείες που αφήσαμε έξω απ’τα δοκιμαστικά test για να βγάλουμε ενα ποσοστό σωστής ταξινόμησης και έτσι να αξιολογήσουμε το μοντέλο των Γενετικών Αλγορίθμων. Στην περίπτωση του Γενετικού Προγραμματισμού κατασκευάζεται ένα δοκιμαστικό test και αφήνουμε μια ομάδα εταιρειών έξω, μετά την εκτέλεση ο Γενετικός Προγραμματισμός μας κατασκευάζει ένα δέντρο-πρόγραμμα από που εξάγουμε μια εξίσωση. Η εξίσωση χρησιμοποιεί κάποιους απ’τους 11 δείκτες που για τον Γενετικό Προγραμματισμό είναι βαρύνουσας σημασίας και εξάγουμε μ’αυτό τον τρόπο ένα πρότυπο αξιολόγησης του πιστωτικού κινδύνου με βάση τον Γενετικό Προγραμματισμό. Επίσης βγάζουμε ένα ποσοστό σωστής ταξινόμησης των εταιρειών σε χαμηλού ή υψηλού πιστωτικού κινδύνου χρησιμοποιώντας την ομάδα εταιρειών που αφήσαμε έξω απ’το δοκιμαστικό test. Τέλος συγκρίνονται τα δυο μοντέλα με το κατά πόσο συμπίπτουν οι χρηματοοικονομικοί δείκτες, που κάθε μέθοδος θεωρεί βαρύνουσας σημασίας. Και εξάγονται τα ανάλογα συμπεράσματα κι ένα πρότυπο αξιολόγησης του πιστωτικού κινδύνου. |
|---|