Rodyti trumpą aprašą

dc.contributor.authorJankauskė, Aurelija
dc.date.accessioned2023-09-18T09:08:24Z
dc.date.available2023-09-18T09:08:24Z
dc.identifier.urihttps://etalpykla.vilniustech.lt/handle/123456789/110534
dc.description.abstractFinansų 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.lit
dc.description.abstractFinance 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.eng
dc.formatPDF
dc.format.extent46 p.
dc.format.mediumtekstas / txt
dc.language.isolit
dc.rightsLaisvai prieinamas internete
dc.source.urihttps://talpykla.elaba.lt/elaba-fedora/objects/elaba:38605239/datastreams/MAIN/content
dc.titleKredito įsipareigojimų nevykdymo modeliavimas ir prognozavimas
dc.title.alternativeCredit default modeling and prediction
dc.typeMagistro darbas / Master thesis
dcterms.references0
dc.type.pubtypeETD_MGR - Magistro darbas / Master thesis
dc.contributor.institutionVilniaus Gedimino technikos universitetas
dc.subject.researchfieldN 001 - Matematika / Mathematics
dc.subject.studydirectionA03 - Statistika / Statistics
dc.subject.ltKredito įsipareigojimų nevykdymas
dc.subject.ltkredito rizika
dc.subject.lttarpusavio skolinimas
dc.subject.ltlogistinė regresija
dc.subject.ltneuroniniai tinklai.
dc.subject.enCredit default
dc.subject.encredit risk
dc.subject.enpeer-to-peer lending
dc.subject.enlogistic regression
dc.subject.enneural network.
dc.identifier.elaba38605239


Šio įrašo failai

Thumbnail

Šis įrašas yra šioje (-se) kolekcijoje (-ose)

Rodyti trumpą aprašą