Míry diskriminace v kreditním riziku

Abstract

Skóringové modely jsou základním nástrojem pro moderní řízení kreditního rizika. Přispívá tomu hlavně značný vývoj informačních technologií. Využívají se nejenom při poskytování úvěru, ale i ve strategiích týkajících se budoucího řízení kreditního rizika nebo ve strategiích spojených s vymáháním pohledávek.V přiložené práci se věnujeme mírám diskriminace používané pro validaci diverzifikační schopnosti logistických skóringových modelů. Prvně se zabýváme pojmem rizika. Poté uvedeme základní dělení skóringových modelů. Dále popisujeme metodu logistické regrese, odhadování a význam parametrů a testování jejich významnosti. Pro změření a znázornění diverzifikační schopnosti modelu jsme uvedli nejběžněji používané metody jako Lorenzovu a ROC křivku, Giniho koeficient, c- statistiku a taky Kolmogorov-Smirnovův test. Závěrem aplikujeme teoretické poznatky na reálných datech. Zkonstruujeme skóringový model a posléze porovnáme míry diskriminace v uvedeném modelu. Powered by TCPDF (www.tcpdf.org)

Scoring models represent a fundamental tool for the modern management of credit risk. This is mainly due to a significant development in the field of information technology. Such models are used not only when providing credit, but also in strategies relating to the future management of credit risk, or in strategies connected with enforcing receivables. In my thesis I deal with discrimination measures used in the validation of diversification potential of logistic scoring models. At the beginning, I focus on the term 'risk'. Then, I introduce a basic division of scoring models. Next, I describe the method of scoring logistic regression, I concentrate on estimating parameters, their significance and on testing their relevance. For the measurement and illustration of diversification potential of the model I mention the most commonly used methods such as the Lorenz and ROC curve, the Gini coeficient, the c-statistic as well as the Kolmogorov-Smirnov test. Finally, I apply the theoretical knowledge to real data. I design a scoring model and subsequently compare the discrimination measures which it contains. Powered by TCPDF (www.tcpdf.org)