03794ntm a22005417i 4500 000230834 CZ-PrVSE 20230204162054.0 m d cr n|||||||||| 230204s2023 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Tran, Tung Thanh ISIS:99759 dis Predicting Prepayment risk of unsecured consumer loans eng Predikce rizika předsplácení nezajištěných úvěrů / Tung Thanh Tran 2023 ?? stran : digital, PDF soubor Vedoucí práce: Milan Fičura Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta financí a účetnictví, 2023 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2023 Riziko předčasného splácení je pro finanční instituce, které nabízejí úvěrové produkty, velmi důležitým aspektem v oblasti řízení rizik. Za normálních tržních podmínek může mít pro banky dokonce větší finanční následky než ztráty z defaultů úvěrů, které se bankám daří řídit poměrně spolehlivě. Přesto riziku předčasného splácení nebylo věnováno tolik prostoru zejména v predikování na individuální úrovni. Cílem diplomové práce je porovnat vybrané modely pro predikci předčasného splacení za účelem snížení jeho míry a ztrát z toho vyplývajících. V práci je využit nevyvážený datový soubor, kdy zastoupení jednotlivých tříd není rovnoměrné a pro většinu klasických metod strojového učení je trénování modelu pro predikci minoritní třídy velice náročné. Tradiční modely v případech nevyvážené distribuce tříd mnohdy dávají mylně optimistické výsledky. Vykazují vysokou přesnost predikování majoritní třídy, avšak nemají schopnost predikce minoritní třídy, která bývá mnohdy důležitější. Existuje několik přístupů k vybalancování dat. Pro účely této práce byla použita oblíbená metoda převzorkování dat SmoteTomek, která je kombinací oversamplingu a undersamplingu. Ukázalo se, že tato metoda má pozitivní vliv na zlepšení schopnosti modelu rozpoznávat minoritní třídu, zejména v případě logistické regrese. Porovnávanými klasifikátory byly logistická regrese, náhodné lesy a neuronová síť. Nejlepší výkonnost prokázaly neuronové sítě. Pro výzkum byla poskytnuta reálná bankovní data nezajištěných spotřebitelských půjček. Způsob přístupu: Internet finanční inženýrství [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas klasifikace nevyvážený datový soubor strojové učení logistická regrese Předčasné splacení půjčky náhodný les neuronová síť Fičura, Milan vse2015859798 ths Drahokoupil, Matěj ISIS:119458 opn Vysoká škola ekonomická v Praze. Fakulta financí a účetnictví kn20010709398 dgg https://insis.vse.cz/zp/68013/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/68013 Hlavní práce https://insis.vse.cz/zp/68013/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/68013/posudek/oponent/77070 Oponentura https://insis.vse.cz/zp/68013/podrobnosti dc:identifier NEPOSILAT VSKP vse68013 230203 68013