Благодарю автора за ответственное отношение к выполнению заказа.
Информация о работе
Подробнее о работе
Предсказание дефолта банков с помощью машинного обучения и нейронных сетей
- 34 страниц
- 2024 год
- 0 просмотров
- 0 покупок
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Важность этого процесса трудно переоценить, так как своевременное выявление потенци-альных проблем позволяет принять превентивные меры, направленные на стабилизацию ситуации и предотвращение кризисных явлений. Эффективная система предсказания и предотвращения дефолтов способна не только сохранить стабильность банковской системы, но и обеспечить устойчивый экономический рост, защитить интересы вкладчиков и инве-сторов, а также укрепить доверие к финансовым институтам.
ВВЕДЕНИЕ 3
ГЛАВА 1. Обзор предметной области 5
1.1. Дефолт банка и его влияние на экономику страны 5
1.2. Обзор различных подходов к прогнозированию банковского дефолта 7
ГЛАВА 2. Используемые методы машинного обучения 9
2.1 Машинное обучение 9
2.1.1 Определение и базовые понятия 9
2.1.2 Основные алгоритмы моделей машинного обучения 11
2.2 Нейронные сети 12
2.2.1 Определение и базовые понятия 13
2.2.2 Рекуррентные нейронные сети 14
2.3. Оценка качества моделей 15
ГЛАВА 3. Использование методов машинного обучения и нейронных сетей для прогнозирования банковского дефолта. 17
3.1. Сбор данных 17
3.2. Подготовка данных 20
3.3. Предсказание дефолта банков с использованием различных моделей 21
3.4. SHAP-Анализ 23
ЗАКЛЮЧЕНИЕ 28
СПИСОК ЛИТЕРАТУРЫ 30
ПРИЛОЖЕНИЕ А 32
Дата изготовления: август 2024 года.
Учебное заведение: Новосибирский Национальный Исследовательский Государственный Университет.
Есть приложение (программный код).
Оригинальность по Антиплагиат.ру (бесплатный) составила 70%.
Работа была успешно сдана - заказчик претензий не имел.
Chernykh L., Theodossiou A. (2011) Determinants of Bank Long-Term Lending Behavior: Evidence From Russia // Multinational Finance Journal. 2011. No. 15. P. 193–216.
E Ghosh, Partha & Bose, Sombit & Roy, Sayantan & Mondal, Avisek. (2023). Detection of abnormal human behavior using deep learning. BOHR International Journal of Smart Computing and Information Technology
Fungacova Z., Solanko L. (2009) Risk-taking by Russian banks: Do location, ownership and size matter? BOFIT Discussion Papers 21/2008. Bank of Finland. Institute for Economies in Transition.
Lanine G., Vennet R. (2006) Failure prediction in the Russian bank sector with logit and trait recognition models // Expert Systems with Applications. 2006. Vol. 30. No. 3. P. 463–478.
Peresetsky A.A., Karminsky A.M., Golovan S.V. (2011) Probability of default models of Russian banks // Economic Change and Restructuring. Vol. 44. No. 4.
Арзамасцев С.А., Бгатов М.В., Картышева Е.Н., Деркунский В.А., Семенчиков Д.Н. Предсказание оттока абонентов: сравнение методов машинного обучения, 2018
Горяев В.М., Бурлыков В.Д., Прошкин С.Н., Лиджи-Гаряев В.В., Джахнаева Е.Н. ROC-кривая и матрица путаницы как эффективное средство для оптимизации классификаторов машинного обучения, 2023
Гуськов С.Ю, Лёвин В.В. Интервальные доверительные оценки для показателей качества бинарных классификаторов — ROC-кривых, AUC, 2015
Карминский А.М., Пересецкий А.А., Петров А.Е. (2005) Рейтинги в экономике: методология и практика / под ред. А.М. Карминского. М.: Финансы и статистика, 2005.
Комментарий Аналитического кредитного рейтингового агентства (АКРА). https://www.acra-ratings.ru/press-releases/4800/
Михайличенко А.А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения, 2022
Пересецкий А.А. (2010) Модели причин отзыва лицензий российских банков. Препринт WP/2010/085. М.: Российская экономическая школа, 2010.
Рашка С. Python и машинное обучение. – Litres, 2022.
Российская экономика 1999–2019. Спецпроект «Ведомостей» и «Эксперт РА» https://www.vedomosti.ru/finance/articles/2019/10/29/814907-20-let-rossiya
Сергей Николенко. Глубокое обучение. Погружение в мир нейронных сетей. — «Питер», 2018. — С. 93-123.
Федеральный закон «О банках и банковской деятельности» от 02.12.1990 N 395–1, ст. 20 (http://www.consultant.ru/popular/bank/).
Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. – Litres, 2022.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
