Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/12281
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Корникова Наталья Владимировна | ru_RU |
dc.contributor.author | Прокопьева Анна Анатольевна | ru_RU |
dc.contributor.author | Prokopeva Anna | en_GB |
dc.contributor.editor | Свиркин Михаил Владимирович | ru_RU |
dc.contributor.editor | Svirkin Mikhail Vlаdimirovich | en_GB |
dc.date.accessioned | 2018-07-26T15:17:32Z | - |
dc.date.available | 2018-07-26T15:17:32Z | - |
dc.date.issued | 2018 | |
dc.identifier.other | 013615 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/12281 | - |
dc.description.abstract | Риск-менеджмент является популярным направлением анализа деятельности предприятия. Банки и многие компании развивают собственные методики выявления и расчета рисков. Наиболее распространенной является задача определения кредитного риска, заключающаяся в прогнозировании дефолтов потенциальных клиентов и величины убытков вследствие такого дефолта. В данной работе используются методы машинного обучения для определения кредитоспособности контрагентов, пошагово строится рейтинговая система заемщиков, способная эффективно определять как «хороших», так и «плохих» клиентов. Рассчитанные критерии качества показывают, что полученная модель обладает высокой прогностической способностью. На основании построенной системы с помощью метода имитационного моделирования формируются максимальные убытки по портфелю и рассчитывается кредитный риск. Для удобства анализа в работе создан программный комплекс, который может использоваться для принятия решений по потенциальным клиентам. | ru_RU |
dc.description.abstract | Risk management is a popular area of analysis of the enterprise. Banks and other companies develop their own methods for identifying and calculating risks. The most common problem is to determine the credit risk, which consists in forecasting the defaults of potential customers and the amount of losses due to default. In this paper, machine learning methods are used to determine the creditworthiness of borrowers, a rating system of borrowers is constructed, capable of effectively determining both "good" and "bad" clients. The calculated quality criteria show that the model has a high accuracy. Maximum losses are generated based on the simulation method. For the convenience of analysis, a software package has been created that can be used to make decisions on potential customers | en_GB |
dc.language.iso | ru | |
dc.subject | кредитный риск | ru_RU |
dc.subject | машинное обучение | ru_RU |
dc.subject | имитационное моделирование | ru_RU |
dc.subject | управление рисками | ru_RU |
dc.subject | credit risk | en_GB |
dc.subject | credit scoring | en_GB |
dc.subject | machine learning | en_GB |
dc.subject | simulations model | en_GB |
dc.subject | control risks | en_GB |
dc.title | Banking risks control using information technology and mathematical modelling | en_GB |
dc.title.alternative | Применение информационных технологий и математического моделирования в управлении банковскими рисками | ru_RU |
Располагается в коллекциях: | MASTER'S STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Master_s_dissertation-7.pdf | Article | 1,33 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv_recenzenta.jpg | ReviewRev | 992,43 kB | JPEG | Просмотреть/Открыть |
reviewSV_st001562_Svirkin_Mixail_Vladimirovich_(supervisor)(Ru).txt | ReviewSV | 4,5 kB | Text | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.