@misc{Wójcicka-Wójtowicz_Aleksandra_Sieci_2018,
 author={Wójcicka-Wójtowicz, Aleksandra},
 identifier={DOI: 10.15611/pn.2018.533.24},
 year={2018},
 rights={Pewne prawa zastrzeżone na rzecz Autorów i Wydawcy},
 publisher={Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu},
 description={Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu = Research Papers of Wrocław University of Economics; 2018; Nr 533; s. 250-258},
 language={pol},
 abstract={Banki uważane są za instytucje zaufania publicznego. Zaufanie to zostało nadwyrężone przez ostatni kryzys finansowy w 2007 r. W związku ze wzrostem zanotowanych bankructw banki zaczęły przywiązywać większą wagę do oceny ryzyka kredytowego, które w skrajnych przypadkach może doprowadzić do bankructwa banku. Basel III skupia się na potrzebie uściślenia regulacji dotyczących zarządzania ryzykiem i modeli wywodzących się z ratingów wewnętrznych. Jednocześnie coraz większą popularność w klasyfikacji kredytobiorców zyskują sieci neuronowe. Celem artykułu jest przedstawienie zastosowania perceptronu wielowarstwowego ze wsteczną propagacją w klasyfikacji kredytobiorców i porównanie jakości klasyfikacji z modelem ratingów wewnętrznych. Na podstawie przeprowadzonych badań można stwierdzić, że sieci neuronowe ze względu na łatwość adaptacji i możliwość dynamicznego kształtowania zbioru zmiennych wejściowych (input) osiągają lepsze wyniki klasyfikacji kredytobiorców niż mniej elastyczne metody, takie jak testowana metoda IRB.},
 title={Sieci neuronowe a podejście oparte na ratingach wewnętrznych. Studium przypadku},
 type={artykuł},
 keywords={ryzyko kredytowe, sieci neuronowe, metoda wewnętrznych ratingów, klasyfikacja kredytobiorców, credit risk, neural networks, IRB method, classification of debtors},
}