Прогнозування фінансових ризиків з використанням наївного і доповненого деревом класифікаторів на основі байєсівських мереж

Скорочена інформація про документ
dc.contributor.authorТерентьєв, Олександр Миколайович
dc.contributor.authorКириченко, Вікторія Едуардівна
dc.contributor.authorСвязінська, Наталія Олександрівна
dc.contributor.authorПросянкіна-Жарова, Тетяна Іванівна
dc.contributor.authorTerentiev, O. N.
dc.contributor.authorKyrychenko, V. E.
dc.contributor.authorSviazinska, N. O.
dc.contributor.authorProsyankina-Zharova, T. I.
dc.contributor.authorТерентьев, А. Н.
dc.contributor.authorКириченко, В. Э.
dc.contributor.authorСвязинская, Н. А.
dc.contributor.authorПросянкина-Жарова, Т. И.
dc.date.accessioned2016-11-30T10:55:56Z
dc.date.available2016-11-30T10:55:56Z
dc.date.issued2016
dc.description.abstractenBackground. Development and study of characteristics for naïve and tree-augmented classifiers in the form of Baysian networks in the problem of credit risk estimation. Objective. To perform estimation of classification quality for the bank credit borrowers using Bayesian classifiers of two types. Methods. Development of necessary mathematical tools and performing computational experiments aiming towards constructing classifiers in the form of Bayesian networks using actual statistical data characterizing solvency of bank credit borrowers. Results. The following results were achieved: the methodology of constructing and application of the naïve and tree-augmented Bayesian classifiers for solving the problem of solvency estimation for bank credit borrowers; an analysis of computational algorithmic complexity was performed; two classification models were constructed in the form of Bayesian networks using actual statistical data from banking system; a comparative analysis was performed for the models developed. Conclusions. It was established that the tree-augmented classifier exhibits higher computational complexity than the naïve Bayesian one, but it showed higher classification results while solving the problem of bank clients classification into two groups: those who return the credits and those who don’t.uk
dc.description.abstractruПроблематика. Построение и исследование характеристик наивного и дополненного деревом классификаторов в форме байесовских сетей при решении задачи оценивания кредитного риска. Цель исследования. Определение точности классификации заемщиков кредита банка с помощью байесовских классификаторов двух типов. Математическое обоснование и описание алгоритмов реализации обеих моделей, а также вычисление их алгоритмической сложности. Методика реализации. Разработка необходимого математического аппарата и выполнение вычислительных экспериментов с целью построения классификаторов в форме байесовских сетей на основе фактических статистических данных относительно кредитоспособности физических лиц. Результаты исследования. Создана методика построения и использования наивного и дополненного деревом байесовских классификаторов при решении практических задач оценки кредитоспособности заемщиков кредитов; выполнен анализ алгоритмической сложности разработанных алгоритмов; построены классификационные модели в форме байесовских сетей на основе фактических статистических данных из банковской системы и выполнен сравнительный анализ результатов применения разработанных классификаторов. Выводы. Установлено, что дополненный деревом классификатор имеет большую вычислительную сложность, чем наивный байесовский классификатор, но он показывает лучшую точность результатов классификации заемщиков кредитов на две группы: группу тех, кто возвращает кредит, и проблемную.uk
dc.description.abstractukПроблематика. Побудова та дослідження характеристик наївного і доповненого деревом класифікаторів у формі байєсівських мереж при розв’язанні задачі оцінювання кредитного ризику. Мета дослідження. Визначення точності класифікації позичальників кредиту банку за допомогою байєсівських класифікаторів двох типів. Математичне обґрунтування та опис алгоритмів реалізації обох моделей, а також обчислення їх алгоритмічної складності. Методика реалізації. Розробка необхідного математичного апарату та виконання обчислювальних експериментів з метою побудови класифікаторів у формі байєсівських мереж на основі фактичних статистичних даних щодо кредитоспроможності фізичних осіб. Результати дослідження. Створено методику побудови і використання наївного та доповненого деревом байєсівських класифікаторів при розв’язанні практичних задач оцінювання кредитоспроможності позичальників кредитів; виконано аналіз алгоритмічної складності розроблених алгоритмів; побудовано класифікаційні моделі у формі байєсівських мереж на основі фактичних статистичних даних із банківської системи та виконано порівняльний аналіз результатів застосування розроблених класифікаторів. Висновки. Встановлено, що доповнений деревом класифікатор має більшу обчислювальну складність, ніж наївний байєсівський класифікатор, але він показує кращу точність результатів класифікації позичальників кредитів на дві групи: групу тих, хто повертає кредит, і проблемну.uk
dc.format.pagerangeС. 60-68uk
dc.identifier.citationПрогнозування фінансових ризиків з використанням наївного і доповненого деревом класифікаторів на основі байєсівських мереж / Терентьєв О. М., Кириченко В. Е., Связінська Н. О., Просянкіна-Жарова Т. І. // Наукові вісті НТУУ «КПІ» : науково-технічний журнал. – 2016. – № 2(106). – С. 60–68. – Бібліогр.: 11 назв.uk
dc.identifier.doihttps://doi.org/10.20535/1810-0546.2016.2.63882
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/18190
dc.language.isoukuk
dc.publisherНТУУ "КПІ"uk
dc.publisher.placeКиївuk
dc.source.nameНаукові вісті НТУУ «КПІ»: науково-технічний журналuk
dc.status.pubpublisheduk
dc.subjectінтелектуальний аналіз данихuk
dc.subjectмережі Байєсаuk
dc.subjectкредитний скорингuk
dc.subjectфінансовий аналізuk
dc.subjectмакроекономічні показникиuk
dc.subjectintellectual data analysisen
dc.subjectBayesian networksen
dc.subjectcredit scoringen
dc.subjectfinancial analysisen
dc.subjectmacroeconomic indicatorsen
dc.subjectинтеллектуальный анализ данныхru
dc.subjectсети Байесаru
dc.subjectкредитный скорингru
dc.subjectфинансовый анализru
dc.subjectмакроэкономические показателиru
dc.subject.udc519.226, 330.322uk
dc.titleПрогнозування фінансових ризиків з використанням наївного і доповненого деревом класифікаторів на основі байєсівських мережuk
dc.title.alternativeFinancial Risk Forecasting Using Naїve and Tree Augmented Classifier Based on Bayesian Networksuk
dc.title.alternativeПрогнозирование финансовых рисков с использованием наивного и дополненного деревом классификаторов на основе байесовских сетейuk
dc.typeArticleuk
thesis.degree.level-uk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
9_Terentiev.pdf.pdf
Розмір:
316.04 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Наукові вісті НТУУ «КПІ»: науково-технічний журнал, № 2(106)