Enhancing Credit Note Precision and Competitive Positioning in B2B Transactions Through Data Analytics
Autor(ka) práce:
Reshma, Ishrat Jahan
Typ práce:
Diploma thesis
Vedoucí práce:
Černý, Jan
Oponenti práce:
Muknšnábl, Josef
Jazyk práce:
English
Abstrakt:
This thesis delves into the critical realm of credit rating enhancement within financial institutions, with a primary focus on the dynamic landscape of banks. Employing advanced techniques in data mining and analytics, the research endeavors to revolutionize the precision and reliability of credit rating predictions. The study meticulously employs three powerful models—logistic regression, CHAID, and CART—leveraging a comprehensive dataset that captures diverse credit scenarios. Beyond ordinary model training, the research introduces a groundbreaking approach. The models are not only rigorously trained on historical data but are also subjected to rigorous testing on previously unseen data, simulating real-world scenarios and future client unpredictability. This dual-phase assessment not only provides a thorough analysis of model agreement during training and testing but also underscores the practical applicability of the proposed methodologies in the actual practices of banking institutions.
Klíčová slova:
Credit Rating Enhancement; Data Mining and Analytics; Financial Modeling
Název práce:
ZVÝŠENÍ PŘESNOSTI ÚVĚROVÉHO RATINGU FINANČNÍ INSTITUCE (BANKY) PROSTŘEDNICTVÍM TĚŽBY DAT A ANALYTIKY
Autor(ka) práce:
Reshma, Ishrat Jahan
Typ práce:
Diplomová práce
Vedoucí práce:
Černý, Jan
Oponenti práce:
Muknšnábl, Josef
Jazyk práce:
English
Abstrakt:
Tato práce se ponoří do kritické oblasti zvyšování úvěrového ratingu ve finanční oblasti institucí, s primárním zaměřením na dynamické prostředí bank. Zaměstnávání pokročilé techniky v oblasti dolování dat a analýzy se výzkum snaží o revoluci přesnost a spolehlivost předpovědí úvěrového ratingu. Studie pečlivě zaměstnává tři výkonné modely – logistická regrese, CHAID a CART – využívající komplexní datový soubor, který zachycuje různé úvěrové scénáře. Kromě běžného modelového tréninku, výzkumu představuje přelomový přístup. Modely jsou nejen důsledně školeny historické údaje, ale jsou také podrobeny přísnému testování na dříve neviděných datech, simulace scénářů reálného světa a nepředvídatelnosti budoucího klienta. Tato dvoufázová hodnocení poskytuje nejen důkladnou analýzu modelové dohody během školení a testování, ale také podtrhuje praktickou použitelnost navrhovaných metodologií v skutečné praktiky bankovních institucí.
Klíčová slova:
Vylepšení úvěrového hodnocení; Data Mining a Analytics; Finanční modelování