PL EN


2017 | 1/2017 (66), t.2 | 145 – 161
Article title

Zastosowanie modeli zdarzeń konkurujących do badania ryzyka kredytowego

Authors
Content
Title variants
EN
Application of Competing Risks Models to Credit Risk Assessment
Languages of publication
PL EN
Abstracts
PL
Ryzyko kredytowe wynika z możliwości niedotrzymania warunków umowy przez kredytobiorcę i polega na nieotrzymaniu przez bank w ustalonym terminie płatności określonej warunkami kredytu. Ryzyko kredytowe najczęściej jest utożsamiane z wystąpieniem niewypłacalności kredytobiorcy. Jak zauważają Hu i Cheng (2015), w literaturze przedmiotu do tej pory zbyt mało uwagi poświęcono zdarzeniom konkurującym z ryzykiem niewypłacalności i ich potencjalnemu wpływowi na oszacowanie prawdopodobieństwa niewypłacalności. W artykule niewypłacalność kredytobiorcy i wcześniejsza spłata są traktowane jako zdarzenia konkurujące. Do badania natężenia zdarzeń konkurujących zastosowano dwa podejścia – oszacowanie intensywności zdarzenia typu c (cause-specific hazard) oraz metodę intensywności subrozkładu (subdistribution hazard). Omówiono zasady interpretacji wyników w przypadku stosowania każdego z podejść w modelowaniu ryzyka kredytowego. Dla każdego z podejść zbudowano odpowiednie modele regresyjne, przeprowadzono analizę wrażliwości i porównano uzyskane wyniki. Badanie empiryczne przeprowadzono na podstawie próby 5 tys. 60-miesięcznych kredytów udzielonych przez jedną z instytucji kredytowych w Polsce. Do budowy modeli regresyjnych ryzyka niewypłacalności wykorzystano dane aplikacyjne kredytobiorców.
EN
Credit risk arises from the debtor’s possible failure to meet the terms and conditions of the credit contract. As a result, the bank does not receive a particular payment stipulated by the contractual provisions. Credit risk usually equates with the credit taker’s insolvency. Hu and Cheng (2015) note the shortage of studies devoted to other kinds of credit risks competing with the risk of default and their influence on the evaluation of the probability of default. In the article, a default and an early repayment are considered to be competing risks. Two approaches were used to research the intensity of competing risks: evaluation of cause-specific hazard and sub-distribution hazard respectively. The interpretation principles within the results acquired by the use of either method have been discussed. For either of the approaches, proper regression models have been set up, alongside conducting the sensitivity analysis. The results have been duly compared. The empirical study employed a sample of 5000 sixty-months’ credits granted by one of the Polish financial institutions. Application characteristics of the credit takers have been used in regression models as covariates.
Year
Pages
145 – 161
Physical description
Dates
published
2017-05-30
Contributors
author
References
  • Andreeva, G. (2006). European Generic Scoring Models Using Survival Analysis. Journal of the Operational Research Society, 57(10), 1180–1187.
  • Balicki, A. (2006). Analiza przeżycia i tablice wymieralności, Warszawa: Polskie Wydawnictwo Ekonomiczne.
  • Banasik, J., Crook, N. i Thomas, L. (1999). Not if but When Will Borrowers Dafault. The Journal of the Operational Research Society, 50(12), 1185–1190.
  • Bellotti, T. i Crook, J. (2007). Credit Scoring with Macroeconomic Variables Using Survival Analysis. Journal of the Operational Research Society, 60(12), 1699–1707.
  • Fine, J. i Gray, R. (1999). A Proportional Hazards Model for the Subdistribution of a Competing Risk. Journal of the American Statistical Association, 94, 496–509.
  • Gray, R. (1988). A Class of k-sample Tests for Comparing the Cumulative Incidence of a Competing Risk. Annals of Statistics, 16, 1141–1154.
  • Gwizdała, J. (2011). Ryzyko kredytowe w działalności banku komercyjnego. Gdańsk: Wydawnictwo Uniwersytetu Gdańskiego.
  • Hosmer, D., Lemeshow, S. i May, S. (2008). Applied Survival Analysis. Regression Modeling of Time-to-Event-Data. Wiley.
  • Hu, N. i Cheng, H. (2015). Survival Analysis and ROC Analysis in Analyzing Credit
  • Risks. W: J. Jakóbczak (red.), Analyzing Risk trough Probabilistic Modeling in Operations Research (s. 380–403). IGI Global.
  • Jackowska, B. (2013). Modele dalszego trwania życia oraz ich zastosowania w przypadku osób starszych. Gdańsk: Wydawnictwo Uniwersytetu Gdańskiego.
  • Jajuga, K. (2004). Modele ryzyka kredytowego a kredyty hipoteczne. W: K. Jajuga i Z. Krysiak (red.), Zarządzanie ryzykiem kredytowym wierzytelności hipotecznych (s. 23–31). Warszawa: Związek Banków Polskich.
  • Kleinbaum, D. i Klein, M. (2012). Survival Analysis. A Self-Learning Text. Springer.
  • Lunn, M. i McNeil, D. (1995). Applying Cox Regression to Competing Risks. Biometrics, 51, 524–532.
  • Meluch, P. (2004). Ryzyko przedpłaty kredytu – warunki pomiaru. W: K. Jajuga i Z. Krysiak (red.), Ryzyko kredytowe wierzytelności hipotecznych. Modelowanie i zarządzanie (s. 23–31). Warszawa: Związek Banków Polskich.
  • Narain, B. (1992). Survival Analysis and the Credit-granting Decision. W: L. Thomas,
  • J. Crook i D. Edelman (red.), Credit Scoring and Credit Control (s. 109–122). Oxford: Oxford University Press.
  • Núñez, E., Steyerberg, E. i Núñez, J. (2011). Regression Modeling Strategies. Revista Española de Cardiología, 64(6), 501–507.
  • Peduzzi, P., Concato, J., Feinstein, A. i Holford, T. (1995). Importance of Events per Independent Variable in Proportional Hazards Regression Analysis. II. Accuracy and Precision of Regression Estimates. Journal of Clinical Epidemiology, 48(12), 1503–1510.
  • Pintilie, M. (2006). Competing Risks. A practical Perspective. Wiley.
  • Pintilie, M. (2011). An Introduction to Competing Risks Analysis. Revista Española de Cardiología, 64(7), 599–605.
  • Sauerbrei, W. i Royston, P. (2010). Continuous Variables: To Categorize Or To Model? W: C. Reading (red.), Data and Context in Statistics Education: Towards an Evidencebased Society. Proceedings of the Eighth International Conference on Teaching Statistics (ICOTS8, July, 2010). Ljubljana, Slovenia. Voorburg, The Netherlands: International Statistical Institute. Pozyskano z: http://iase-web.org/documents/papers/icots8/ICOTS8_6D1_SAUERBREI.pdf.
  • Stepanova, M. i Thomas, L. (2002). Survival Analysis Methods for Personal Loan Data. Operations Research, 50(2), 277–289.
  • Thomas, L. (2000). A Survey of Credit and Behavioural Scoring: Forecasting Financial Risk of Lending to Consumers. International Journal of Forecasting, 16, 149–172.
  • Tong, E., Mues, C. i Thomas, L. (2012). Mixture Cure Models in Credit Scoring: If and When Borrowers Default. European Journal of Operational Research, 218, 132–139, http://dx.doi.org/10.1016/j.ejor.2011.10.007.
  • Williams, B., Mandrekar, J., Mandrekar, S., Cha, S. i Furth, A. (2006). Finding Optimal Cutpoints for Continuous Covariates with Binary and Time-to-Event Outcomes. Technical Report Series #79. Rochester: Department of Health Sciences Research, Mayo Clinic. Pozyskano z: http://www.mayo.edu/research/documents/biostat-79pdf/DOC-10027230.
  • Wycinka, E. (2015a). Modelowanie czasu do zaprzestania spłat rat kredytu lub wcześniejszej spłaty kredytu jako zdarzeń konkurujących. Problemy Zarządzania, 13(3), 146–157, http://dx.doi.org/10.7172/1644-9584.55.10.
  • Wycinka, E. (2015b). Time to Default Analysis in Personal Credit Scoring. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, (351), 527–536, http://dx.doi.org/10.15611/pn.2015.381.381.
Document Type
Publication order reference
Identifiers
ISSN
1644-9584
YADDA identifier
bwmeta1.element.desklight-9fe998be-7fa2-49d0-9b11-bec737580762
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.