Masinõppe rakendamine makseviivituse tõenäosuse hindamisel
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Tartu Ülikool
Abstract
Makseviivituse tõenäosuse hindamine on finantsasutusel üheks võtmetegevuseks krediidiriski
hindamisel. Makseviivituse tõenäosus on oluline tunnus, mille pealt otsustatakse
kas ja mis tingimustel krediiti anda ning jälgitakse kogu krediiditoodete portfelli
kvaliteeti. Üldistatult saab kasutatavad mudelid jagada kaheks: statistilised lähenemised
ja masinõppe tehnikad. Magistritöö peamisteks tulemusteks on võrdlus logistilise regressiooni
ja teiste masinõppemeetoditega loodud mudelite vahel, kasutades AS LHV
Group’i reaalseid andmeid.
Töös demonstreeritakse erinevate meetoditega saavutatud makseviivituse hindamismudeli
tulemeid ja arutletakse erinevate meetodite eeliste üle. Parima tulemuse saavutas
mõõdikute alusel otsustuspuu algoritmil põhinev otsustusmets. Töös rakendatakse
erinevaid meetodeid otsustusmetsa mudeli seletamiseks toetades selle meetodi rakendamist
praktikas. Arvestades viimasel ajal erinevate otsustuspuu meetodil põhinevate
masinõppemeetodite edukust paljudes valdkondades, ei ole saavutatud tulemused üllatuslikud.
Otsustusmetsa ennustusi seletatakse läbi mudeli üldiste seoste andmestiku
tunnustega ja konkreetsemalt näitlikustatakse erinevate näidete ennustuse kujunemist.
Kas need tulemid on piisavad, et praktikas otsustusmetsa kasutada, jäetakse lõppkasutaja
otsustada.
Description
Keywords
masinõpe, makseviivitus, logistiline regressioon, tugivektormasin, otsustusmets, tehisnärvivõrk, LIME, tõenäosuste kalibreerimine