Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "credit risk models" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    Credit risk mangement in finance : a review of various approaches
    Autorzy:
    Wójcicka-Wójtowicz, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/969067.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    credit risk
    default
    bankruptcy
    credit risk management
    credit risk models
    ryzyko kredytowe
    bankructwo
    zarządzanie ryzykiem kredytowym
    modele ryzyka kredytowego
    Opis:
    Classification of customers of banks and financial institutions is an important task in today’s business world. Reducing the number of loans granted to companies of questionable credibility can positively influence banks’ performance. The appropriate measurement of potential bankruptcy or probability of default is another step in credit risk management. Among the most commonly used methods, we can enumerate discriminant analysis models, scoring methods, decision trees, logit and probit regression, neural networks, probability of default models, standard models, reduced models, etc. This paper investigates the use of various methods used in the initial step of credit risk management and corresponding decision process. Their potential advantages and drawbacks from the point of view of the principles for the management of credit risk are presented. A comparison of their usability and accuracy is also made.
    Źródło:
    Operations Research and Decisions; 2018, 28, 4; 99-106
    2081-8858
    2391-6060
    Pojawia się w:
    Operations Research and Decisions
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparing reduced form vs. structural models in measuring and managing credit portfolio risks - a comprehensive meta – analysis
    Porównanie model zredukowanych i strukturalnych w pomiarze i zarządzaniu ryzykiem portfolio kredytowego - metaanaliza wielokryterialna
    Autorzy:
    Reinwald, Raphael
    Powiązania:
    https://bibliotekanauki.pl/articles/1930393.pdf
    Data publikacji:
    2021-06-30
    Wydawca:
    Wyższa Szkoła Finansów i Zarządzania w Białymstoku
    Tematy:
    credit portfolio models
    credit risk
    CreditMetrics®
    CreditRisk+®
    portfolio model comparison
    Opis:
    This paper is comparing the main credit portfolio models used in the banking industry as well as in academic research for credit risk measuring and pricing purposes. These models can be classified as structural models, hazard rate models and macro-factor/econometric models (the last group is very similar to structural ones and hence not investigated in detail here). Proponents and famous implementations are CreditMetrics® by JP Morgan (1998) and KMV® (Kealhofer, McQuown and Vasicek, 1993) of Moody’s for the structural type and CreditRisk+® by Credit Suisse First Boston (CSFB, 1997) for the hazard rate model. As all of them are frequently used the null hypothesis is that they perform equally well. In the first part of this paper – as intermediate aim - qualitative properties are compared and in the second part the models are disassembled (using a methodology similar to Hickman) and quantitatively considered with the overall goal to prove which one is measuring Credit Portfolio Risk most precisely – in contrast to existing papers not only regarding specific portfolio(s) or settings but building on a meta-analysis research of papers published on that topic. As a result – rejecting the null hypothesis - CreditMetrics® is performing better in most circumstances, especially with exchange-listed, large companies and low-default portfolios whereas CreditRisk+® is easier to handle and often useful for granular, retail type portfolios.
    Dokładny pomiar ryzyka kredytowego jest kluczowy z punktu widzenia instytucji finansowych. Są one zobowiązane nie tylko wypełniać wymagań prawne i zarządcze stawiane przez regulatorów takich jak EBA czy ECB w formie regulacji CRR II i CRD V w Unii Europejskiej, ale są także zobowiązane prowadzić działalność w sposób zabezpieczający interesy biznesowe właścicieli i interesariuszy, w szczególności odnośnie do zarządzania portfolio udzielonych kredytów i związanych z nimi ryzyk (upadłości i transferu). Sprawia to, że wykorzystanie zaawansowanych modeli oceny ryzyka jest branżowym standardem. Sytuacja w innych uwarunkowania jurysdykcyjnych (w Stanach Zjednoczonych czy Szwajcarii) jest podobna ze względu na uwarunkowania Basel III i wynikające z nich regulacji na poziomie krajowym. Niemniej jednak, wciąż w obszarze modelowania ryzyka kredytowego jest wiele obszarów, które nie są wystarczająco dobrze opisane. Między innymi, nie przeprowadzono metaanalizy dotychczas opublikowanych badań, która przesądzałaby nad wyższością jednych metod nad innymi. Jest to istotne, ponieważ wdrożenie skuteczniejszego modelu skutkuje przewagą konkurencyjną banku w zakresie modelowania ryzyka związanego z kredytem, a tym samym, długofalowo, zmniejsza wartość zaangażowania kapitałowego niezbędnego do pokrycia ewentualnych strat. Stąd, przeprowadzenie takiej pogłębionej metaanalizy stało się celem tego artykułu. Hipoteza zerowa stanowi, że modele CreditMetrics® i CreditRisk+® są jednakowo skuteczne - w szczególności w odniesieniu do kredytów korporacyjnych. Istotną część artykułu stanowi tym samym również dokładne porównanie i wyjaśnienie mocnych oraz słabych stron modeli, w szczególności w odniesieniu do konkretnych typów portfolio czy segmentów odbiorców.
    Źródło:
    Przedsiębiorstwo & Finanse; 2021, 1; 65-81
    2084-1361
    Pojawia się w:
    Przedsiębiorstwo & Finanse
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The Impact of the World Financial Crisis on the Polish Interbank Market: A Swap Spread Approach
    Autorzy:
    Płuciennik, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/483317.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    credit risk
    interest rates
    multidimensional parametric models
    semiparametric models
    swap spread
    Opis:
    The swap spread is defined as the difference between the fixed rate of an interest rate swap and the yield of the treasury with the same maturity. The swap spread is usually interpreted as the effective proxy of bank liquidity and the credit spread indicator. The interpretation is very similar to the LIBOR-OIS spread and in the context of Polish interbank market – WIBOR-OIS. However, WIBOR-OIS is less reliable during the crisis of confidence because of lack of interbank operation with the maturity longer than 1 month. Swap spreads base on two liquid instruments, thus they are free of this defect. The main goal of this paper is to assess how Polish swap spreads and their conditional variance reacted to important events connected with the subprime crisis and crisis of confidence in the Polish interbank market.
    Źródło:
    Central European Journal of Economic Modelling and Econometrics; 2012, 4, 4; 269-288
    2080-0886
    2080-119X
    Pojawia się w:
    Central European Journal of Economic Modelling and Econometrics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Strukturalne i zredukowane modele pomiaru ryzyka kredytowego wykorzystywane w praktyce bankowej
    Structural and reduced credit risk measurement models used in banking practice
    Autorzy:
    Noetzel, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/399126.pdf
    Data publikacji:
    2011
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    modele strukturalne
    KMV
    CreditMetrics
    ryzyko kredytowe
    portfel kredytowy
    structural models
    credit risk
    Credit Portfolio View
    Opis:
    This article compares four popular models of credit risk measurement in terms of the scope of information used by the models, the characteristics of the risk as subject of the modeling and their use in the management of credit portfolios. These models can be assigned to one of two classes: structural and reduced form models. Structural models base on the assumption that the modeling person has full information about the assets and liabilities of the company and based on this knowledge is able to determine the moment of a credit event. Reduced form models use only the information base that is available on the market. This gives them an advantage in practical risk evaluation. The article is a modified part of the author's doctoral dissertation titled "Use of credit derivatives in managing the debt portfolio of the bank".
    Źródło:
    Ekonomia i Zarządzanie; 2011, 3, 1; 36-47
    2080-9646
    Pojawia się w:
    Ekonomia i Zarządzanie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Bankruptcy Risk Models for Polish SMEs – Regional Approach
    Modele ryzyka upadłości polskich MŚP – ujęcie regionalne
    Autorzy:
    Ptak-Chmielewska, Aneta
    Powiązania:
    https://bibliotekanauki.pl/articles/655563.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    ryzyko kredytowe
    modele upadłości
    regresja logistyczna
    credit risk
    bankruptcy models
    logistic regression
    Opis:
    Zarządzanie ryzykiem kredytowym stanowi kluczowy element w zarządzaniu bankiem. Do zarządzania ryzykiem kredytowym wykorzystywane są modele statystyczne tzw. Modele scoringowe i ratingowe. Do oceny ryzyka kredytowego przedsiębiorstw wykorzystuje się modele ratingowe. Składową modeli ratingowych są modele ilościowe (oparte na wskaźnikach finansowych) oraz modele jakościowe (oparte na ankiecie jakościowej). Do budowy modeli ilościowych wykorzystuje się modele statystyczne i ekonometryczne, głównie modele regresji logistycznej. W artykule omówione zostały modele statystyczne do oceny ilościowej wraz z przykładem empirycznym opartym na danych dla próby MŚP udostępnionej przez jeden z polskich banków. Wykorzystano model regresji logistycznej ze zmienną nominalną – region działalności, uwzględniający zróżnicowanie terytorialne. Pokazana została konstrukcja modelu uwzględniającego zarówno branże działalności, jak i region działalności.
    Credit risk management is a key element in bank management. For credit risk management, statistical models are used, the so‑called scoring and rating models. For enterprise risk assessment, rating models are used. Rating models consist of quantitative models (based on financial ratios) and qualitative models (based on a questionnaire). For estimation of quantitative models, econometric and statistical models are used, mainly logistic regression models. In this paper, statistical models for quantitative assessment are presented, including an empirical example based on the sample of data for SMEs made available by one of Polish banks. A logistic regression model with a nominal variable – the region of activity, including territorial differences, was used. The construction of rating model was presented, including the sector and region of activity.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2018, 1, 333
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza dotycząca możliwości budowy modelu ryzyka kredytowego
    Analysis of the possibility of building a credit risk model
    Autorzy:
    Marcinkowski, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/16728936.pdf
    Data publikacji:
    2023-09-30
    Wydawca:
    Wydawnictwo Adam Marszałek
    Tematy:
    kredyt
    ryzyko
    dane
    modele
    wykresy
    finanse
    credit
    risk
    data
    models
    graphs
    finance
    Opis:
    FinAi has undertaken a project focused on the development of an innovative credit risk model utilizing alternative data sources, such as data from social media platforms (Facebook, LinkedIn) and mobile phone records. This project was co-financed through the European Regional Development Fund under a funding agreement between FinAi S.A. and the National Centre for Research and Development (NCBiR), headquartered in Warsaw. The initial phase of the project involved the collection of data and their utilization in constructing a network graph of customer relationships. Furthermore, leveraging external data as well as data managed by FinAi, specific indicators were formulated. These indicators were employed under the supervision of experts to train a predictive model that incorporated graph structures. The model thus constructed was to exhibit a higher predictive capability compared to conventional models commonly employed within the industry. The study explored the feasibility of creating a credit risk model based on the acquired data and assessed the quality of data originating from alternative sources. It was demonstrated that alternative data sources were populated for a small fraction of the population, and their quality has proven unsatisfactory. The scale of the dataset proved inadequate for establishing a robust credit risk model or attaining a competitive advantage over the models in use within banking institutions.
    FinAi przeprowadziło projekt budowy innowacyjnego modelu ryzyka kredytowego w oparciu o dane alternatywne takie jak dane z portali społecznościowych (Facebook, Linkedin), czy dane z telefonów komórkowych. Projekt ten był współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach umowy o dofinansowanie zawartej przez FinAi S.A. z Narodowym Centrum Badań i Rozwoju z siedzibą w Warszawie. Pierwszym etap projektu polegał na zebraniu danych i wykorzystaniu ich do budowy grafu powiązań pomiędzy klientami. Dodatkowo, na podstawie danych zewnętrznych i danych zarządzanych przez FinAi, zbudowano flagi mające na celu nauczenie pod ich nadzorem modelu predykcyjnego wykorzystujące struktury grafowe. Zbudowany w taki sposób model miał charakteryzować się większą mocą predykcyjną niż standardowe modele stosowane w branży. Badano możliwości budowy modelu ryzyka kredytowego w oparciu o pozyskane dane oraz jakość danych pochodzących ze źródeł alternatywnych. Wykazano m.in., że alternatywne źródła danych są wypełnione dla niewielkiego odsetka populacji, a ich jakość jest niezadowalająca. Wielkość zbioru okazała się niewystarczająca do budowy wiarygodnego modelu ryzyka kredytowego czy osiągnięcia przewagi w stosunku do modeli funkcjonujących w bankach.
    Źródło:
    Krakowskie Studia Małopolskie; 2023, 3(39); 168-184
    1643-6911
    Pojawia się w:
    Krakowskie Studia Małopolskie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wpływ credit ratingu inwestorów na rating banków europejskich
    Impact of investors credit ratings on credit ratings of European banks
    Autorzy:
    Chodnicka-Jaworska, Patrycja
    Powiązania:
    https://bibliotekanauki.pl/articles/485266.pdf
    Data publikacji:
    2017
    Wydawca:
    Bankowy Fundusz Gwarancyjny
    Tematy:
    credit rating
    uporządkowane panelowe modele logitowe
    udziałowcy
    ryzyko upadłości
    ordered panel logit data models
    shareholders
    default risk
    Opis:
    Celem pracy stało się zbadanie wpływu determinant finansowych, w tym wpływu credit ratingu inwestorów, na credit ratingi banków. Dokonano przeglądu literaturowego i na jego podstawie postawiono następującą hipotezę: credit rating banków uzależniony jest od kondycji finansowej ocenianego podmiotu oraz credit ratingu głównych inwestorów. Do zweryfikowania postawionej hipotezy badawczej wykorzystano uporządkowane logitowe modele panelowe. Badanie przeprowadzono na bankach europejskich, które miały nadany rating długoterminowy przez trzy największe agencje, tj. Fitch, Moody i S&P. Do analizy wykorzystano dane kwartalne dla lat 1998–2016. Okazało się, że credit rating banku determinowany jest przede wszystkim wskaźnikami adekwatności kapitałowej i jakości aktywów. Istotny statystycznie wpływ wywiera credit rating kraju, w jakim dany bank funkcjonuje. Credit rating banku determinowany jest obecnością rządu jako jednego z inwestorów (rating Moody ulega obniżce, podczas gdy S&P się poprawia) oraz ratingiem akcjonariuszy.
    The aim of the study is to examine the impact of financial determinants, including the impact of the investors credit ratings, on banks credit ratings. Having made a literature review and the following hypothesis has been put: The bank’s credit rating depends on the financial condition of the rated entity and the credit ratings of the major investors. The logit panel data models were used to verify the hypothesis. The study was conducted at European banks, which have received the long-term ratings by the three largest agencies, Fitch, Moody, and S&P. The analysis used the quarterly data for the years 1998–2016. It turned out that the bank’s credit rating was determined by capital adequacy ratios and asset quality. The credit rating of the country, where the bank operates, is significant. The bank’s credit rating is determined by the presence of the government as one of investors (Moody’s rating downgrades while S&P is improving) and shareholder.
    Źródło:
    Bezpieczny Bank; 2017, 3 (68); 39-58
    1429-2939
    Pojawia się w:
    Bezpieczny Bank
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza możliwości zastosowania metody DEA w modelach scoringowych
    Analysis of the DEA Method Applicability in Scoring Models
    Autorzy:
    Nowak, Agnieszka K.
    Matuszyk, Anna
    Powiązania:
    https://bibliotekanauki.pl/articles/591114.pdf
    Data publikacji:
    2014
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Metoda DEA (Data Envelopment Analysis)
    Modele regresji
    Regresja liniowa
    Ryzyko kredytowe
    Scoring
    Skoring kredytowy
    Credit risk
    Credit scoring
    Data Envelopment Analysis (DEA)
    Linear regression
    Regression models
    Opis:
    A clue for the research have become analysis made by A. Feruś in 2006, In which the author points the possibility of extending classical scoring models with the DEA method, allowing to predict a credit risk. In 2006, in the era of the Basel II implementation, the possibility of such an extension was not reflected in the practice of banks in Poland. But now, as a part of the Basel III implementation, it is reasonable to consider the possibility of their expantion, for example using the DEA . The study was carried out on the basis of 139 companies operating in Poland in 2010-2011 data and a comparison with their actual condition in 2012. Survey results both for 2010 and 2011 indicate a weaker prediction of the scoring models alone than scoring models with DEA In terms of: correct customers classification and the value of a R2 determination factor.
    Źródło:
    Studia Ekonomiczne; 2014, 186 cz 1; 113-126
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie miar matematycznych i biznesowych do porównania modeli macierzy migracji stosowanych w analizie ryzyka kredytowego
    Application of mathematical measures and business measures to compare migration matrices used in credit risk analysis
    Autorzy:
    Grzybowska, Urszula
    Karwański, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/453229.pdf
    Data publikacji:
    2011
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
    Tematy:
    macierze migracji
    łańcuchy Markowa
    łańcuchy absorbujące
    uogólnione modele liniowe (GLMM)
    ryzyko kredytowe
    SVD
    wartości własne macierzy
    migration matrices
    Markov chains
    absorbing Markov chains
    generalized longitudinal models (GLMM)
    credit risk
    Eigenvalues
    Opis:
    Modele ryzyka kredytowego, używane w bankach, bazują na modelach prawdopodobieństwa zajścia określonych zdarzeń (defaultów). Szeroka klasa tych modeli wykorzystywanych obecnie w praktyce opiera się na estymacji intensywności zdarzeń (ang. intensity-based models). W niniejszej pracy porównujemy wyniki uzyskane przy użyciu modeli Markowa oraz uogólnionych modeli liniowych (GLMM). W pracy przedstawiamy porównanie macierzy migracji w oparciu o różne miary odległości, miary uwzględniające prędkość zbieżności do defaultu oraz miary oparte na teorii absorbujących łańcuchów Markowa. Stosowane miary porównania macierzy migracji odmiennie odzwierciedlają różnice wartości klienta istotne z punktu widzenia biznesu. Modele Markowa dają najlepsze estymatory „biznesowe”, ale są trudne w praktycznych zastosowaniach.
    Credit risk models used in banks are based on probability models for occurrence of default. A vast class of these models is based on the notion of intensity In this paper we compare results obtained within Markov chain approach and with help of statistical longitudinal models (GLMM) in which states (rating classes) in discrete time points are regarded as matched pairs. The comparison of obtained migration matrices is based on various distance measures, properties of absorbing Markov chains and convergence to default. Various methods of matrix comparison reflect business based differences between clients in a different way. Markov models give good business estimators but are difficult to apply in practice.
    Źródło:
    Metody Ilościowe w Badaniach Ekonomicznych; 2011, 12, 2; 168-179
    2082-792X
    Pojawia się w:
    Metody Ilościowe w Badaniach Ekonomicznych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies