Probabilistic Neural Networks for Credit Rating Modelling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F10%3A39881988" target="_blank" >RIV/00216275:25410/10:39881988 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic Neural Networks for Credit Rating Modelling

Popis výsledku v původním jazyce

This paper presents the modelling possibilities of probabilistic neural networks to a complex real-world problem, i.e. credit rating modelling. First, current approaches in credit rating modelling are introduced. Then, probabilistic neural networks are designed to classify US companies and municipalities into rating classes. The input variables are extracted from financial statements and statistical reports in line with previous studies. These variables represent the inputs of probabilistic neural networks, while the rating classes from Standard and Poor's and Moody's rating agencies stand for the outputs. Classification accuracies, misclassification costs, and the contributions of input variables are studied for probabilistic neural networks comparedto other neural networks models. The results show that the rating classes assigned to bond issuers can be classified accurately with probabilistic neural networks using a limited subset of input variables.

Název v anglickém jazyce

Probabilistic Neural Networks for Credit Rating Modelling

Popis výsledku anglicky

This paper presents the modelling possibilities of probabilistic neural networks to a complex real-world problem, i.e. credit rating modelling. First, current approaches in credit rating modelling are introduced. Then, probabilistic neural networks are designed to classify US companies and municipalities into rating classes. The input variables are extracted from financial statements and statistical reports in line with previous studies. These variables represent the inputs of probabilistic neural networks, while the rating classes from Standard and Poor's and Moody's rating agencies stand for the outputs. Classification accuracies, misclassification costs, and the contributions of input variables are studied for probabilistic neural networks comparedto other neural networks models. The results show that the rating classes assigned to bond issuers can be classified accurately with probabilistic neural networks using a limited subset of input variables.

Druh

D - Stať ve sborníku

CEP obor

AE - Řízení, správa a administrativa

OECD FORD obor

—

Projekt

<a href="/cs/project/GP402%2F09%2FP090" target="_blank" >GP402/09/P090: Modelování místních financí metodami výpočetní inteligence</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the International Conference on Neural Computation 2010

ISBN

978-989-8425-32-4

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

International Joint Conference on Computational Intelligence

Místo vydání

Setúbal

Místo konání akce

Valencia

Datum konání akce

24. 10. 2010

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—