Szacowanie parametrów ryzyka kredytowego przy użyciu rodzin klasyfikatorów

• Authors: Urszula Grzybowska , Marek Karwański

Title variants

EN

Families of classifiers application in credit risk parameters estimation

• Languages of publication: PL

Abstracts

PL

Banki stosujące zalecenia Umowy Bazylejskiej II/III zobowiązane są do wyznaczania ryzyka na podstawie szeregu parametrów. Jednym z nich jest procent straty – Loss Given Default (LGD). W literaturze LGD traktowany jest jako zmienna losowa, o rozkładzie dwumodalnym. Do szacowania wielkości LGD stosuje się zaawansowane regresyjne modele statystyczne. Alternatywny sposób to wykorzystanie metod data miningowych. Szczególnie atrakcyjne wydają się estymatory typu rodzin klasyfikatorów, które pozwalają na uśrednienie rezultatów wielu „słabych klasyfikatorów” i uzyskanie bardziej precyzyjnych wyników. Rodziny klasyfikatorów operują tzw. informacją. Problemem jest interpretacja informacji w kategoriach biznesowych. Celem artykułu jest uzgodnienie obu podejść i interpretacji. Przedstawione zostaną wyniki szacowania przy użyciu modeli: ułamkowej regresji logistycznej, beta-regresji, boostingu gradientowego oraz lasów losowych. Porównane zostaną właściwości estymatorów. Obliczenia wykonane zostały na danych rzeczywistych.

EN

According to the Capital Requirements Directive banks applying the internal rating based approach are obliged to estimate risk based on a set of risk parameters. One of the risk parameters is Loss Given Default (LGD). LGD is treated as a random variable with a bimodal distribution. One can apply advanced statistical models in LGD estimation. An alternative approach is to use data mining methods. The most promising seem to be families of classifiers, that allow for averaging results of many weak classifiers and for obtaining more precise results. Families of classifiers are built based on information criterion. The problem encountered is interpretation of obtained results in terms of business applications. The aim of the paper is to compare both approaches. We present results of LGD estimation with help of two regression models: fractional and beta regression and two ensemble methods: gradient boosting and random forests. Calculations were done on real life data.

Keywords

PL

Ryzyko kredytowe; LGD; Metody ensemble; Regresja

EN

Credit risk; Ensemble methods; LGD; Regression

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Studia Ekonomiczne
• Year: 2015
• Volume: 248
• Pages: 107-120

Contributors

author

Urszula Grzybowska

author

Marek Karwański

References

• Berk R.A. (2008), Statistical learning from a regression perspective, Springer, New York.
• Bi J., Bennett K. (2003), Regression error characteristic curves, Proceedings of the 20th International Conference on Machine Learning.
• Breiman L. (2001), Random Forests, „Machine Learning”, Vol. 45.
• Calabrese R. (2012), Regression model for proportions with probability masses at zero and one. Working Paper. http://www.ucd.ie/geary/static/publications/workingpapers/gearywp201209.pdf.
• Crouhy M., Galai D., Mark R. (2001), Risk Management, McGraw-Hill, New York.
• Ferrari S.L.P., Cribari-Neto F. (2004), Beta Regression for Modeling Rates and Proportions, „Journal of Applied Statistics”, No. 31.
• Hastie T., Tibshirani R., Friedman J. (2009), The elements of statistical learning. Data Mining, Inference and Prediction, Springer, New York.
• Karwański M., Gostkowski M., Jałowiecki P. (2015), LGD Modeling: an application to data from a polish bank, On-line Risk Journals, available on http://www.risk.net/.
• Koronacki J., Ćwik J. (2008), Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Loterman G., Brown I., Martens D., Mues Ch., Baesens B. (2012), Benchmarking regression algorithms for loss given default modeling, „International Journal of Forecasting”, No. 28.
• Ospina R., Ferrari S.L.P. (2012), A General Class of Zero-or-one Inflated Beta Regression Models, „Computational Statistics and Data Analysis”, No. 56.
• Papke L, Wooldridge J. (1996), Econometric Methods for Fractional Response Variables with an Application to 401(K) Plan Participation Rate, „Journal of Applied Econometrics”, Vol. 11.
• Schuermann T. (2004), What Do We Know About Loss Given Default? The Wharton Financial Institutions Center 04-01.
• [www 1] http://www.bis.org/publ/bcbsca.htm (dostęp: 14.04.2015).
• [www 2] http://www.bis.org/bcbs/basel3.htm?m=3%7C14%7C572 (dostęp: 14.04.2015).

Identifiers

ISSN

2083-8611