Розвиток економетричних моделей кредитного ризику розпочався із z-моделі Альтмана у 1968 році. З того часу моделі стали більш складними, поширення набули такі методи машинного навчання, як штучні нейронні мережі (ANN) та метод опорних векторів (SVM). Ця стаття фокусується на застосуванні SVM, як моделі для передбачення дефолту. Вона починається із загального теоретичного вступу до SVM та деяких розповсюджених його альтернатив. Далі із використанням цих підходів будуються моделі оцінки кредитного ризику на основі даних НБУ по банківським клієнтам, що дає змогу порівняти точність SVM з точністю інших моделей. Хоча модель SVM загалом більш точна, в силу певних особливостей, описаних у статті, застосування SVM є дещо суперечливим. У статті також презентовано результати моделі логістичної регресії (Logit), яка буде використовуватися НБУ для оцінки кредитних ризиків комерційних банків.
Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy.
Auria, L., Moro, R. (2007). Credit Risk Assessment Revisited Methodological Issues and Practical Implications. Working Group On Risk Assessment, pp. 49-68.
Boser, B., Guyon, I., Vapnik, V. (1992). A training algorithm for optimal margin classiers. COLT '92: Proceedings of the fifth annual workshop on Computational learning theory, 144-152. https://doi.org/10.1145/130385.130401
Costeiu, A., Negu, F. (2013). Bridging the banking sector with the real economy a financial stability perspective. Working Paper Series, 1592. European Central Bank.
Doumpos, M., Zopodunis, C. (2009). Monotonic support vector machines for credit risk rating. New Mathematics and Natural Computation, 05(03), 557-570. https://doi.org/10.1142/S1793005709001520
Fawcett, T. (2006). An Introduction to ROC Analysis. Pattern Recognition Letters, 27(8), 861-874. https://doi.org/10.1016/j.patrec.2005.10.010
Hardle, W. K., Moro, R. A., Schafer, D. (2007). Estimating probabilities of default with support vector machines. SFB 649 Discussion Paper, 35. https://doi.org/10.2139/ssrn.1108117
Hosmer, D. W., Lemeshow, S. (2000). Applied Logistic Regression. New York: John Wiley & Sons.
Kovahi, R. (1995). a study of cross validation and bootstrap for accuracy estimation and model selection. International Joint Conference on Artificial Intelelligence, 2, 1137-1143.
National Bank of Ukraine (2012). Directive, 23.
Ng, A. (2009). Support Vector Machines. Stanford University, CS229 Lecture notes. Retrieved from http://cs229.stanford.edu/notes/cs229-notes3.pdf
Pohar, M., Blas, M., Turk, S. (2004). Comparison of logistic regression and linear discriminant analysis: A simulation study. Metodološki Zvezki, 1(1), 143-161.
Pyle, D., San Jose, C.(2015). An executive's guide to machine learning. McKinsey Quarterly.
Venables, W. N., Ripley, B. D. (2002). Modern applied statistics with S. New York: Springer-Verlag.
