Support vector gépek alkalmazás hitelpontozó kártyák fejlesztésében
Kulcsszavak:
adatbányászat, support vector machine, Bázel IIAbsztrakt
Az adatbányászati algoritmusok fejlődésének egy újabb állomását a statisztikai tanuláselméleti kutatások során kialakult support vector gépek jelentik. Az eljárás igen természetes módon közelíti meg az osztályozás problémáját, és komoly hatékonyságnövelést ígér az osztályozási feladatok tanulásában. A Bázel 2 tőkemegfelelőségi szabályozás által megkívánt paraméterek becslésében és a hitelpontozó kártyák fejlesztésében azonban kevéssé terjedt még el a módszer használata. A tanulmányban a support vector gépek alkalmazásának lehetőségét mutatom be egy hitelintézet hitelügyleteinek bedőlési valószínűségének becslésén keresztül, külön kiemelve a modell üzleti értelmezhetőségének kérdését és a várható veszteségre gyakorolt hatását.
Hivatkozások
Basel Comittee on Banking Supervision (2004). Basel II: International Convergence of Capital Measurement and Capital Standards: a Revised Framework
Basel Comittee on Banking Supervision (2005). Studies on Validation of Internal Rating Systems
Hsu, C. W., Chang, C. C., Lin, C. J. (2008): A Practical Guide to Support Vector Classification, Department of Computer Science, National Taiwan University, Taipei 106, Taiwan.
Engelmann, B., Hayden, E., Tasche, D. (2003). Testing rating accuracy.
Quinlan, S. (1987): Simplifying decision trees, Int J Man-Machine Studies, 27. 3. 221–234. https://doi.org/10.1016/S0020-7373(87)80053-6
Quinlan, S. (1992): C4.5: Programs for Machine Learning, Morgan Kaufmann R-Project: http://www.r-project.org
Sobehart, J., Keenan, S., Stein, R. (2000). Validation methodologies for default risk models. Credit, 51–56.
Sobehart, J., Keenan, S. (2001). Measuring default accurately, Risk, S31–S33, 2001. March
Szücs I. (2007). Unstable regions in the scorecards’ input space, Business Sciences – Symposium for Young
Szücs I., Pitlik L. (2007). Lakossági termékvásárlási modellek és viselkedési hitelpontozó kártyák fejlesztése makrogazdasági peremfeltételekkel, Acta Agraria Kaposváriensis, 11. 2. 153–163.
Researchers, Budapest Tech of Hungary, 181–186 pp.
Vapnik V. (1998): Statistical learning theory, John Wiley & Sons, Inc., USA
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2010 Szücs Imre
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
