Search results

1

Sztuczna inteligencja w innowacjach fi nansowych – aspekty prawne i regulacyjne

100%

Rojszczak M.

internetowy Kwartalnik Antymonopolowy i Regulacyjny

|

2020

|

vol. 9

|

issue 2

61-77

PL

Celem artykułu jest przeanalizowanie prawnych konsekwencji wdrażania nowoczesnych technik przetwarzania danych, w szczególności uczenia maszynowego oraz analizy dużych zbiorów danych (Big Data) w sektorze innowacji finansowych (fintech). Techniki te stanowią nie tylko tworzą nowe możliwości monetaryzacji danych po stronie podmiotów funkcjonujących w sektorze finansowym, lecz także ujawniają nowe wyzwania regulacyjne i nadzorcze.

2

Modelowanie czasu do zaprzestania spłat rat kredytu lub wcześniejszej spłaty kredytu jako zdarzeń konkurujących

86%

Wycinka E.

Problemy Zarządzania

|

2015

|

issue 3/2015 (55), t.2

146-157

EN

Early repayment and default are two basic perils causing credit termination. Who of the borrowers and when are at the risk of both events is important information for the creditor. The article employs some of the estimators of the method of competing risks to model time to default or early repayment. The empirical part of the article consists of the results of the study on the sample of 5000 five-year loans that were observed for 24 months. Probabilities of default and early repayment have been evaluated by means of selected estimators. These estimators are also suitable for distinguishing borrowers with different risks of default.

PL

Ryzyko niewypłacalności i ryzyko przedwczesnej spłaty to dwa podstawowe zdarzenia powodujące przerwanie umowy kredytowej. Dla kredytodawcy istotna jest informacja, którzy kredytobiorcy i w jakim okresie od udzielenia kredytu są bardziej narażeni na każde z tych zdarzeń. W artykule zaproponowano wykorzystanie metody zdarzeń konkurujących umożliwiającej modelowanie w czasie obu powyższych zdarzeń. W części empirycznej artykułu przeprowadzono estymację na próbie 5000 pięcioletnich pożyczek, które były obserwowane przez okres 24 miesięcy od udzielenia. Za pomocą wybranych estymatorów wyznaczone zostały prawdopodobieństwa analizowanych zdarzeń. Omawiane estymatory służyć mogą również do wyodrębniania kredytobiorców o różnym ryzyku niewypłacalności.

3

Remarks on Statistical Measures for Assessing Quality of Scoring Models

81%

Idczak A. P.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2019

|

vol. 4

|

issue 343

21-38

PL

Jednym z podstawowych zadań banków jest udzielanie kredytów i pożyczek pieniężnych. Z punktu widzenia kredytodawcy w procesie kredytowaniem niezwykle istotna jest ocena ryzyka zaniechania płatności zobowiązań potencjalnego kredytobiorcy. W celu selekcji klientów, obok oceny ich zdolności kredytowej, coraz częściej wykorzystuje się modele scoringowe wchodzące w skład metodologii tzw. scoringu kredytowego (creditscoring). W podejściu tym z punktu widzenia kredytodawcy kluczowa jest jakość doboru jednostek, którym kredyt zostanie przyznany. To, czy klasyfikacja dokonywana na podstawie modelu scoringowego jest dobra, może być opisane za pomocą statystycznych miar oceny jakości. Mimo coraz większej popularności metod scoringowych w praktyce gospodarczej literatura dotycząca statystycznych metod oceny ich jakości jest w dalszym ciągu stosunkowo uboga. Ponadto w publikacjach na ten temat często występują rozbieżności w zakresie nazewnictwa oraz konstrukcji poszczególnych miar. W artykule przedstawiono charakterystykę najczęściej stosowanych statystycznych miar oceny jakości modelu scoringowego (m.in. indeksu pseudo Giniego, statystyki Kolmogorova‑Smirnova, krzywej koncentracji), a także podjęto próbę standaryzacji nazewnictwa oraz postaci samych miar jakości modelu scoringowego. Ponadto przedstawione zostało studium przypadku, w którym dokonano analizy porównawczej trzech modeli scoringowych w kontekście ich jakości klasyfikacyjnej.

EN

Granting a credit product has always been at the heart of banking. Simultaneously, banks are obligated to assess the borrower’s credit risk. Apart from creditworthiness, to grant a credit product, banks are using credit scoring more and more often. Scoring models, which are an essential part of credit scoring, are being developed in order to select those clients who will repay their debt. For lenders, high effectiveness of selection based on the scoring model is the primary attribute, so it is crucial to gauge its statistical quality. Several textbooks regarding assessing statistical quality of scoring models are available, there is however no full consistency between names and definitions of particular measures. In this article, the most common statistical measures for assessing quality of scoring models, such as the pseudo Gini index, Kolmogorov‑Smirnov statistic, and concentration curve are reviewed and their statistical characteristics are discussed. Furthermore, the author proposes the application of the well‑known distribution similarity index as a measure of discriminatory power of scoring models. The author also attempts to standardise names and formulas for particular measures in order to finally contrast them in a comparative analysis of credit scoring models.

Refine search results

1 Acta Universitatis Lodziensis. Folia Oeconomica

1 Problemy Zarządzania

1 internetowy Kwartalnik Antymonopolowy i Regulacyjny

1 Idczak A. P.

1 Rojszczak M.

1 Wycinka E.

1 2020

1 2019

1 2015

Sztuczna inteligencja w innowacjach fi nansowych – aspekty prawne i regulacyjne

Modelowanie czasu do zaprzestania spłat rat kredytu lub wcześniejszej spłaty kredytu jako zdarzeń konkurujących

Remarks on Statistical Measures for Assessing Quality of Scoring Models