Transformations  in
Business & Economics

Atramos vektorių mašinos ir jų taikymas kredito rizikos vertinimo procese
Paulius Danenas, Gintautas Garsva

SANTRAUKA. Šiame straipsnyje aprašomas atramos vektorių mašinų (angl. Support Vector Machines, sutr. SVM) metodas, jo teoriniai pagrindai bei jo panaudojimo kredito rizikos vertinime bei kitose finansų srityse prielaidos. Pateikiama paskutinių SVM pritaikymo kredito rizikos vertinime bei bankroto prognozavime tyrimų suvestinė, kurioje jie lyginami pagal tokius kriterijus, kaip gautas tikslumas, klasifikavimo klaidos, naudotų rodiklių skaičius bei naudotų duomenų kiekis. Pateikiamas tiek paprastų SVM pagrįstų hibridinių, tiek ir kolektyvinių, naudojančių SVM paremtus metodus, įvertinimas. Konstatuojama, kad SVM metodas leidžia pasiekti gerus rezultatus, ypač tada, kai naudojamas kartu su neraiškiąja logika ir evoliuciniais skaičiavimais, lyginant su kitų mašininio mokymo metodų analogiškais rezultatais. Taip pat pateikiama apibendrinta SVM metodu pagrįsto hibridinio modelio kūrimo schema. Ji apima 4 svarbiausius šio proceso žingsnius ir gali būti panaudota ateities tyrimuose arba kuriant naujus modelius kredito rizikos įvertinimui, finansiniam modeliavimui ar prognozavimui ar bet kokioms kitoms sritims.

REIKŠMINIAI ŽODŽIAI: atramos vektorių mašina (SVM), dirbtinis intelektas, mašininis mokymas, kredito rizika, vertinimas, bankrotas, prognozavimas, sistemos.