Finansu̦s kredito rizikos analizė naudojant mašininio mokymosi metodus - Baigiamasis bakalauro darbas

Sep 17, 2026

Vienas svarbiausių finansų organizacijų užduocių – kredito rizikos vertinimas, nes juo įvertinama tikimybė, kad skolininkai nėsugės gražinti paskolų. Darbe nagrinėjami mašininio mokymosi metodai ir neuroninių tinklų modeliai finansinei kredito rizikai vertinti, aptariant temos pritaikomumą finansų sektoriuje bei nuoseklaus rizikos vertinimo vertę. Tiriama, ar neuroniniai tinklai gali tiksliai prognozuoti kredito riziką, mokumą ir įsipareigojimų nevykdymo tikimybę, vertinant duomenų kintamuosius.

LanguageLithuanian

CategoryResearch & Report

FormatPDF

Pages29

Reading Time1 h 13 min

AccessFree to download

Įvados

Temos aktualumas

Temos ištyrimas

Problema ir uždaviniai

Dirbtinio intelekto samprata

Kas yra dirbtinis intelektas?

Dirbtinio intelekto klasifikacija

Neuroniniai tinklai

Literatūros analizė

Metodologija

Duomenys bei jų paruošimas

Duomenų kintamieji

Modelio apmokymas

Modelio vertinimas

Jautrumo analizė: Modelio patikimumo vertinimas

Diskusija: Modelio efektyvumo vertinimas ir reikšmė finansinės rizikos prognozavimui ir valdymui

Išvados

Literatūros sąrašas

Priedai: Kodas

VILNIAUS UNIVERSITETAS Matematikos ir informatikos fakultetas Bakalauro studiju˛ programa Finansu˛ ir draudimo matematika Finansine˙s kredito rizikos analize˙ naudojant mašininio mokymosi metodus Financial credit risk analysis using machine learning methods Baigiamasis bakalauro darbas Atliko: Filip Aleksandr Lutz VU el. p.: [aleksandr.lutz@mif.stud.vu.lt](aleksandr.lutz@mif.stud.vu.lt) [Darbo vadovas: doc. Raivydas](Darbo vadovas: doc. Raivydas) Š[im](im)e˙nas Vilnius 2023 Turinys 1 I˛vadas 6 1.1 Temos aktualumas ................................ 6 1.2 Temos ištirtumas ................................. 6 1.3 Problema ir uždaviniai .............................. 7 2 Dirbtinio intelekto samprata 8 2.1 Kas yra dirbtinis intelektas? ........................... 8 2.2 Dirbtinio Intelekto klasifikacija .......................... 8 2.3 Neuroniniai tinklai ................................ 11 2.4 Literat¯uros analize˙................................ 12 3 Metodologija 14 3.1 Duomenys bei ju˛ paruošimas ........................... 14 3.1.1 Duomenu˛ kintamieji ........................... 15 3.2 Modelio apmokymas ............................... 16 3.3 Modelio vertinimas ................................ 20 3.4 Jautrumo analize˙ : Modelio patikimumo vertinimas .............. 22 4 Diskusija: Modelio efektyvumo vertinimas ir reikšme˙ finansine˙s rizikos prognozavimui ir valdymui 24 5 Išvados 26 6 Literat¯uros sarašas 27 7 Priedai: Kodas 29 Santrauka Viena svarbiausiu˛ finansu˛ organizaciju˛ pareigu˛ yra kredito rizikos vertinimas, nes juo atsižvelgiama i˛ tikimybę, kad skolininkai nesugebe˙s grąžinti paskolu˛ . Pastaraisiais metais susidome˙jimas dirbtiniu intelektu ir jo panaudojimu finansu˛ sektoriuje sparčiai auga. Pagrindiniai mašininio mokymosi ir dirbtinio intelektoprivalumai leidžia analizuoti didelius duomenu˛ kiekius ir atpažinti pasikartojančius elgsenos modelius duomenyse, taip pašalinant i˛prastiniu˛ kredito rizikos vertinimo metodu˛ tr¯ukumus, bei sugeba tiksliau prognozuoti kredito riziką . Šiame darbe nagrine˙jamas mašininio mokymosi metodu˛, neuroniniu˛ tinklu˛ modeliu naudojimas finansinei kredito rizikai vertinti. Aptariamas temos pritaikomumas, pabre˙žiant nuoseklaus rizikos vertinimo vertę finansu˛ sektoriuje. Pagrindine˙ darbo problema, ar neuroniniu˛ tinklu˛ modeliai gali tiksliai prognozuoti kredito riziką, skolininko mokumą ir i˛sipareigojimu˛ nevykdymo tikimybę naudojant i˛vairius finansinius kintamuosius. Šio tyrimo tikslas-sukurtimašininio mokymosi modeli˛, kuris gale˙tu˛ tinkamai nustatyti sude˙tingus ryšiusir koreliacijas kredito duomenyse, i˛skaitant tokius elementus kaip pajamos iružimtumo statusas. Išš¯ukis sukurti neuronini˛ tinklą, kuris gale˙tu˛ greitai apdoroti ir analizuoti didelius duomenu˛ kiekius ir kartu tiksliai nustatyti mokumo tikimybę . Apžvelgiamos modeliu˛ vertinimo ir jautrumo analize˙s išvados, kuriose pateikiama išsami informacija apie sukurtu˛ modeliu˛ funkcionalumą ir patikimumą . Nagrine˙jant išvadu˛ reikšmę finansine˙s rizikos valdymui, išryškinami perspektyv¯us mašininio mokymosi metodu˛ taikymo kredito rizikai vertinti privalumai ir tr¯ukumai. Raktiniai žodžiai: Mašininis mokymasis, dirbtiniai neuroniniaitinklai, finansine˙s kredito rizikos analize˙ , dirbtinis intelektas Abstract One of the most important responsibilities of financial organisations is the assessment of credit risk, which takes into account the likelihood that borrowers will not be able to repay their loans. In recent years, interest in artificial intelligence and its use in the financial sector has grown rapidly. The main advantages of machine learning and artificial intelligence are the ability to analyse large amounts of data and to identify recurring behavioural patterns in the data, thus overcoming the shortcomings of conventional credit risk assessment methods, and the ability to predict credit risk with greater accuracy. This paper explore

FAQs

Kokia pagrindinė kredito rizikos vertinimo priežastis finansinėse organizacijose?

Vertinimas skirtas nustatyti tikimybę, kad skolininkai nesugebės grąžinti paskolų. Tai padeda mažinti finansinę riziką ir geriau valdyti sprendimus.

Koks darbo tyrimo tikslas, susijęs su neuroninių tinklų taikymu?

Sukurti mašininio mokymosi modelį, kuris galėtų identifikuoti sudėtingus ryšius ir koreliacijas kredito duomenyse, įskaitant pajamas ir užimtumo statusą, bei tiksliai nustatyti mokumo tikimybę.

Kaip vertinamas modelio patikimumas šiame darbe?

Apžvelgiamos modelio vertinimo ir jautrumo analizės išvados, kuriose pateikiama informacija apie sukurto modelio funkcionalumą ir patikimumą bei rezultatų įtaką finansinės rizikos valdymui.

Sep 17, 2026

Uploaded by Ava Thompson