Predicting Firms' Credit Ratings Using Ensembles of Artificial Immune Systems and Machine Learning - An Over-Sampling Approach

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F14%3A39898557" target="_blank" >RIV/00216275:25410/14:39898557 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-662-44654-6_3" target="_blank" >http://dx.doi.org/10.1007/978-3-662-44654-6_3</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-662-44654-6_3" target="_blank" >10.1007/978-3-662-44654-6_3</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Predicting Firms' Credit Ratings Using Ensembles of Artificial Immune Systems and Machine Learning - An Over-Sampling Approach

Popis výsledku v původním jazyce

This paper examines the classification performance of artificial immune systems on the one hand and machine learning and neural networks on the other hand on the problem of forecasting credit ratings of firms. The problem is realized as a two-class problem, for investment and non-investment rating grades. The dataset is usually imbalanced in credit rating predictions. We address the issue by over-sampling the minority class in the training dataset. The experimental results show that this approach leads to significantly higher classification accuracy. Additionally, the use of the ensembles of classifiers makes the prediction even more accurate.

Název v anglickém jazyce

Predicting Firms' Credit Ratings Using Ensembles of Artificial Immune Systems and Machine Learning - An Over-Sampling Approach

Popis výsledku anglicky

This paper examines the classification performance of artificial immune systems on the one hand and machine learning and neural networks on the other hand on the problem of forecasting credit ratings of firms. The problem is realized as a two-class problem, for investment and non-investment rating grades. The dataset is usually imbalanced in credit rating predictions. We address the issue by over-sampling the minority class in the training dataset. The experimental results show that this approach leads to significantly higher classification accuracy. Additionally, the use of the ensembles of classifiers makes the prediction even more accurate.

Druh

D - Stať ve sborníku

CEP obor

AE - Řízení, správa a administrativa

OECD FORD obor

—

Projekt

<a href="/cs/project/GA13-10331S" target="_blank" >GA13-10331S: Úloha textové informace v modelech predikce finanční tísně podniků - přístupy specifické podle států a průmyslových odvětví</a><br>

Návaznosti

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

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název statě ve sborníku

Artificial Intelligence Applications and Innovations: 10th IFIP WG 12.5 International Conference, AIAI 2014, Rhodes, Greece, September 19-21, 2014, Proceedings

ISBN

978-3-662-44653-9

ISSN

1868-4238

e-ISSN

—

Počet stran výsledku

10

Strana od-do

29-38

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Rhodos

Datum konání akce

19. 9. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—