Estimation of credit risk by artificial neural networks models

LTPagrindinė rizika, su kuria susiduria bankai skolindami pinigus, yra kredito rizika. Straipsnio tyrimo tikslas – nustatyti kredito rizikos vertinimo modelių klasifikavimo tikslumą apibūdinančius rodiklius ir įvertinti sudarytų dirbtinių neuronų tinklų (DNT) modelių klasifikavimo tikslumą. Atlikus mokslinių publikacijų analizę nustatyta, kad tiksliausiai banko klientų kredito rizika įvertinama logistinės regresijos ir neuronų tinklų metodais. Darbe buvo sudaryti kredito rizikos vertinimo modeliai (dirbtinių neuronų tinklai), kuriuos taikant analizuoti Lietuvoje veikiančių įmonių duomenys. Apskaičiavus šių modelių efektyvumo rodiklius, nustatyta, kad didžiausias įmonių klasifikavimo tikslumas pasiekiamas analizuojant 3 metų duomenis. Taikant sudarytus kredito rizikos vertinimo modelius, buvo reitinguojamos įmonės. Įmonėms buvo priskiriami reitingai pagal jų finansinių įsipareigojimų nevykdymo per ateinančius metus galimybę. Priskyrus įmonėms reitingus, buvo apskaičiuotos kiekvienos įmonių grupės (reitingo) įsipareigojimų nevykdymo tikimybės. Visų modelių visiško įmonės nemokumo reitingą gavusios įmonės bankrutavo. Didelės įsipareigojimų nevykdymo galimybės grupėje šis rodiklis siekė 88,89 – 93,75 proc., o mažiau patikimų įmonių grupėje įsipareigojimų nevykdymo dalis buvo 20,83 – 37,5 proc. Patikimų įmonių grupėje nei vienai bankrutavusiai įmonei taikant 1 ir 3 modelius nebuvo priskirtas visiškai patikimos įmonės reitingas, o 2 modelio visiškai patikimos įmonės reitingo įsipareigojimų nevykdymo tikimybė buvo 3,33 proc.Reikšminiai žodžiai: Dirbtinių neuronų tinklai (DNT); Klasifikavimas; Kredito rizika; Modelių tikslumas; Artificial neural networks; Artificial neural networks, classification of banks clients, credit risk, model accuracy rates; Classification of banks clients; Credit risk; Model accuracy rates.

ENThe main risk banks face when lending money is credit risk. The purpose of the article is to establish the indicators defining the accuracy of classification of risk estimation models and to assess the accuracy of classification of artificial neural networks models. The analysis of scientific publications has shown that the most accurate methods to assess client credit risk are logistic regression and artificial neural networks. Models of credit risk estimation (artificial neural networks) were created in the work and applied to analyse the data of companies operating in Lithuania. Having calculated the efficiency indicators of these models, it has been established that the highest accuracy in the classification of companies is achieved when analysing the data of the last three years. Companies were rated by applying the developed models of credit risk estimation. Companies were rated according to the possibility of non-performance of their financial liabilities during the forthcoming year. Having rated companies, probabilities of non-performance of obligations of each group of companies were calculated. Those companies rated at total insolvency in all the models went bankrupt. This indicator reached 88.89–93.75% in the group of high probability of non-performance of liabilities, and 20.83–37.5% in the group of less reliable companies. None of the bankrupt companies from the group of reliable companies was rated as a totally reliable company by applying model 1 and model 3, and the probability of non-performance of liabilities in the group of totally reliable companies reached 3.33%.