Kredito įsipareigojimų nevykdymo modeliavimas ir prognozavimas

Abstract

Finansų institucijos, prieš priimdamos sprendimą ar suteikti paskolą, vertina kredito riziką. Atsiradus tarpusavio skolinimo platformoms, rizika egzistuoja ne tik bankams, bet ir privatiems asmenims. Čia iškyla problema - ar paprastas žmogus, investuodamas tokioje platformoje, supranta riziką ir moka ją įvertinti? Analizuojant tarpusavio skolinimo platformos duomenis ir pritaikant regresinę analizę bei duomenų koreliacijas, atrenkami tinkamiausi kintamieji. Kredito įsipareigojimų nevykdymo modeliai sudaromi naudojant logistinę regresiją ir dirbtinius neuroninius tinklus. Ieškant geriausio modelio pastebima, kad naudojamas 10 metų laikotarpis yra per ilgas, ir optimaliu parenkamas 3 metų intervalas. Sudarytų modelių rezultatų tikslumas yra panašus, tačiau logistinę regresiją išrenkame geriausiu modeliu dėl jos paprastumo.

Finance institutions assess credit risk before taking a decision to grant a loan. After introduction of peer-to-peer lending platforms, not only banks, but also individuals hold credit risk. The problem is – does ordinary person investing in such platform understands the risk and knows how to evaluate it? When analysing data from peer-to-peer lending platform, regression analysis and data correlations are used to select most suitable variables. Afterwards, credit default models are created using logistic regression and artificial neural networks. When looking for the best model, it is noticeable that the 10 year period is too long and the 3 year interval is chosen as an optimal one. The accuracy of both models is similar, but logistic regression is chosen as the best model because of its simplicity.