02968ntm a22005537i 4500 000705573 CZ-PrVSE 20240203150629.0 m d cr n|||||||||| 240203s2024 xr fsbm 000 0 eng d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Španko, Martin ISIS:135682 dis Výkonnost modelů kreditního rizika v P2P úvěrování eng Performance of credit risk models in P2P lending / Martin Španko 2024 ?? stran : digital, PDF soubor Vedoucí práce: Petr Teplý Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta financí a účetnictví, 2024 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2024 This thesis analyses machine learning algorithms for predicting P2P loan defaults based on data from the Zonky platform from February 2016 to October 2021. It analyses logistic regression, discriminant analysis, classification and regression trees, random forest, Naive Bayes, K-Nearest Neighbors, AdaBoost, and XGBoost, using metrics such as confusion matrix, ROC/AUC, Gini coefficient, Kolmogorov-Smirnov statistic, and Brier Score for evaluation. The results show that XGBoost and AdaBoost are the most effective, with Elastic Net Logistic Regression in third place. This study fills a gap in the research on default probability on the Zonky dataset and highlights payment behaviour as a key factor for predicting credit risk when evaluating P2P loans. This research contributes to the existing literature on loan default probability prediction and provides insights for risk management in P2P lending. Způsob přístupu: Internet bankovnictví a pojišťovnictví [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas AdaBoost Credit Risk Elastic Net Regression Machine Learning Peer-to-Peer Lending Probability of Default XGBoost Zonky Teplý, Petr, 1977- mzk2008486526 ths Palán, Luděk ISIS:56874 opn Vysoká škola ekonomická v Praze. Fakulta financí a účetnictví kn20010709398 dgg https://insis.vse.cz/zp/83217/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/83217 Hlavní práce https://insis.vse.cz/zp/83217/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/83217/posudek/oponent/80991 Oponentura https://insis.vse.cz/zp/83217/podrobnosti dc:identifier NEPOSILAT VSKP vse83217 240202 83217