Využití úvěrového scoringu při hodnocení kreditního rizika
Autor(ka) práce:
Havel, Ondřej
Typ práce:
Bakalářská práce
Vedoucí práce:
Blahová, Naděžda
Oponenti práce:
Brada, Jaroslav
Jazyk práce:
Česky
Abstrakt:
Tato bakalářská práce se zabývá využitím úvěrového scoringu při hodnocení kreditního rizika. Kreditní riziko představuje jedno z nejvýznamnějších rizik, kterým finanční instituce čelí, a jeho správné měření je klíčové pro efektivní rozhodování o poskytnutí úvěru. Práce popisuje podstatu kreditního rizika, jeho měření a predikci, přičemž zvláštní pozornost je věnována scoringovým modelům. Zaměřuje se zejména na logistickou regresi, která představuje běžně používaný nástroj pro odhad pravděpodobnosti defaultu dlužníka. V empirické části je aplikován scoringový model na dataset obsahující informace o úvěrech a klientech. Po předzpracování dat je odhadnut model logistické regrese a vyhodnocena jeho predikční výkonnost. Výsledky ukazují, že ačkoli model dosahuje jen omezené predikční přesnosti, umožňuje identifikovat proměnné významně ovlivňující pravděpodobnost defaultu. Práce zároveň diskutuje limity zvoleného přístupu a naznačuje možnosti dalšího rozvoje scoringových metod včetně práce s nevyváženými daty a širším spektrem prediktorů.
The Use of Credit Scoring in Credit Risk Assessment
Autor(ka) práce:
Havel, Ondřej
Typ práce:
Bachelor thesis
Vedoucí práce:
Blahová, Naděžda
Oponenti práce:
Brada, Jaroslav
Jazyk práce:
Česky
Abstrakt:
This bachelor's thesis deals with the use of credit scoring in credit risk assessment. Credit risk represents one of the most significant risks faced by financial institutions, and its accurate measurement is crucial for effective lending decisions. The thesis describes the nature of credit risk, its measurement, and prediction, with particular attention given to scoring models. It focuses especially on logistic regression, which is a commonly used tool for estimating the probability of borrower default. In the empirical part, a scoring model is applied to a dataset containing information about loans and clients. After data preprocessing, a logistic regression model is estimated and its predictive performance evaluated. The results show that although the model achieves only limited predictive accuracy, it allows identification of variables that significantly influence the probability of default. The thesis also discusses the limitations of the chosen approach and suggests possibilities for further development of scoring methods, including handling imbalanced data and a broader range of predictors.