Obiekt

Tytuł: Predicting the default risk of companies. Comparison of credit scoring models: LOGIT vs Support Vector Machines

Tytuł odmienny:

Przewidywanie ryzyka kredytowego przedsiębiorstw niefinansowych. Porównanie modeli scoringowych: regresja logistyczna vs Support Vector Machine

Autor:

Nehrebecka, Natalia

Opis:

Econometrics = Ekonometria, 2018, Vol. 22, No. 2, s. 54-73

Abstrakt:

The aim of the article is to compare models on a train and validation sample, which will be created using logistic regression and Support Vector Machine (SVM) and will be used to assess the credit risk of non-financial enterprises. When creating models, the variables will be subjected to the transformation of the Weight of Evidence (WoE), the number of potential predictions will be reduced based on the Information Value (IV) statistics. The quality of the models will be assessed according to the most popular criteria such as GINI statistics, Kolmogorov-Smirnov (K-S) and Area Under Receiver Operating Characteristic (AUROC). Based on the results, it was found that there are significant differences between the logistic regression model of discriminatory character and the SVM for the model sample. In the case of a validation sample, logistic regression has the best prognostic capability. These analyses can be used to reduce the risk of negative effects on the financial sector

Wydawca:

Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu

Miejsce wydania:

Wrocław

Data wydania:

2018

Typ zasobu:

artykuł

Identyfikator zasobu:

doi:10.15611/eada.2018.2.05 ; oai:dbc.wroc.pl:41164

Język:

eng

Powiązania:

Econometrics = Ekonometria, 2018, Vol. 22, No. 2

Prawa dostępu:

Dla wszystkich zgodnie z licencją

Licencja:

CC BY-NC-ND 3.0 PL

Lokalizacja oryginału:

Uniwersytet Ekonomiczny we Wrocławiu

Tytuł publikacji grupowej:

Ekonometria = Econometrics

Format:

application/pdf

Podobne

Ta strona wykorzystuje pliki 'cookies'. Więcej informacji