α-Threshold Networks in Credit Risk Models
Trhy s peer-to-peer (P2P) pôžičkami ponúkajú rizikové investičné príležitosti, pre ktoré je vysoký dopyt po presných modeloch kreditného rizika. Úverové portfóliá ponúkajú široké spektrum charakteristík úverov a dlžníkov, čo sťažuje vytvorenie vysokorozmerných systémov, ktoré využívajú tradičné mode...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Book Chapter |
| Language: | English |
| Subjects: | |
| Tags: |
No Tags, Be the first to tag this record!
|
| Summary: | Trhy s peer-to-peer (P2P) pôžičkami ponúkajú rizikové investičné príležitosti, pre ktoré je vysoký dopyt po presných modeloch kreditného rizika. Úverové portfóliá ponúkajú široké spektrum charakteristík úverov a dlžníkov, čo sťažuje vytvorenie vysokorozmerných systémov, ktoré využívajú tradičné modely kreditného skóre. V tejto štúdii navrhujeme dve metódy extrakcie prvkov založené na sieťach, ktoré extrahujú zložité vzťahy medzi rizikovými aktívami, a to úvermi, ktoré sú reprezentované ako vrcholy, a váženými hranami, ktoré zodpovedajú podobnosti medzi úvermi založenej na prvkoch. Naše dve metódy sa líšia v spôsobe identifikácie podobných úverov. Tradičný prístup používa na identifikáciu podobných úverov rozdelenie založené na algoritme medoid (model k-PAM). Oveľa rýchlejšou alternatívou je eliminovať 100[%](1 − α) najväčších vzdialeností (model α-prahu). Výsledná sieťová štruktúra sa používa na extrakciu prvkov, ktoré rozširujú modely bodovania zisku. Využitím údajov o P2P úveroch sme zistili, že modely predikcie, ktoré používajú sieťové prvky, v štatistickom zmysle konzistentne prekonávajú benchmarky a vedú k vyšším výnosom a výnosom upraveným o riziko. |
|---|