Diplomová práce

Bankruptcy prediction with explainable machine learning methods

Munkhnaran Tsogoo
Anotace

The bankruptcy prediction model has been studied rapidly over the last few decades, and the methods used are becoming more sophisticated. As artificial intelligence and machine learning methods have evolved, using these methods in the bankruptcy prediction model has led to a higher prediction accuracy of default. Although highly predictable, machine learning methods to the use of the model in business …více

Abstract

The bankruptcy prediction model has been studied rapidly over the last few decades, and the methods used are becoming more sophisticated. As artificial intelligence and machine learning methods have evolved, using these methods in the bankruptcy prediction model has led to a higher prediction accuracy of default. Although highly predictable, machine learning methods to the use of the model in business …více

Klíčová slova
Bankruptcy prediction credit scoring machine learning credit risk logistic regression XGBoost scorecard SHAP
Zadání práce

The thesis aims to develop a bankruptcy prediction model using explainable machine learning methods.

Plan:
1. Introduction. Problem statement and definitions.
2. Literature review on bankruptcy prediction methods and explainable machine learning (model-agnostic) methods.
3. Data collection. Data description. Methodology description.
4. Analysis of the performance and explainability of chosen machine learning methods applied to bankruptcy prediction.
5. Conclusions. Discussion of the results.

Methodology: analysis, comparison, description, statistical modelling

Administrativní informace
Práce zkontrolována:
15. 5. 2021 01:22, Oleg Deev, Ph.D., učo 387462
Plný text práce
1,7 MB / soubor PDF
Přílohy (1)
Jazyk práce
angličtina angličtina
Termín obhajoby
24. 6. 2021
Práce byla úspěšně obhájena

Vedoucí

Oleg Deev, Ph.D., učo 387462
KF ESF MU

Oponent

Mgr. Zuzana Gric, Ph.D., učo 454844
KF ESF MU

Literatura

  • HASTIE, Trevor; Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570.
  • BARBOZA, F; H KIMURA a E ALTMAN. Machine learning models and bankruptcy prediction. Expert Systems with Applications. Elsevier, 2017, roč. 83, s. 405-417. ISSN 0957-4174.
  • DASTILE, X; T CELIK a M POTSANE. Statistical and machine learning models in credit scoring: A systematic literature survey. Applied Soft Computing. 2020, s. 106263.
  • ARIZA-GARZÓN, M.J.; J. ARROYO; A. CAPARRINI a M.J. SEGOVIA-VARGAS. Explainability of a Machine Learning Granting Scoring Model in Peer-to-Peer Lending. IEEE Access. IEEE Xplore Digital Library, 2020, roč. 8, s. 64873-64890. ISSN 2169-3536.
  • BREEDEN, Joseph L. A Survey of Machine Learning in Credit Risk. Working Paper. 2020.
  • MOLNAR, Christoph. Interpretable Machine Learning. Leanpub, 2020.
Citovat tuto práci
Masarykova univerzita Ekonomicko-správní fakulta
Studijní program
Plán
Finance

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.