Probabilistic Neural Networks for Credit Rating Modelling
Identifikátory výsledku
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
—
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
AE - Řízení, správa a administrativa
OECD FORD obor
—
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—