[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-290330-105":3,"doc-detail-290330-en":81,"detail-sidebar-cat-0-en-105":99},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":74,"head_meta":76,"extra_data":78,"updated_unix":80},105,"lt","financial-credit-risk-analysis-using-machine-learning-methods-bachelor-thesis","Finansu̦s kredito rizikos analizė naudojant mašininio mokymosi metodus - Baigiamasis bakalauro darbas","","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.",{"@graph":14,"@context":73},[15,34,56],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/document/research-report/","Research & Report",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/document/financial-credit-risk-analysis-using-machine-learning-methods-bachelor-thesis/290330/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/financial-credit-risk-analysis-using-machine-learning-methods-bachelor-thesis/290330.png","ImageObject",300,407,{"name":42,"@type":43},"Ava Thompson","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-11-04","2026-09-17",true,{"@type":52,"interactionType":53,"userInteractionCount":55},"InteractionCounter",{"@type":54},"ViewAction",10,{"@type":57,"mainEntity":58},"FAQPage",[59,65,69],{"name":60,"@type":61,"acceptedAnswer":62},"Kokia pagrindinė kredito rizikos vertinimo priežastis finansinėse organizacijose?","Question",{"text":63,"@type":64},"Vertinimas skirtas nustatyti tikimybę, kad skolininkai nesugebės grąžinti paskolų. Tai padeda mažinti finansinę riziką ir geriau valdyti sprendimus.","Answer",{"name":66,"@type":61,"acceptedAnswer":67},"Koks darbo tyrimo tikslas, susijęs su neuroninių tinklų taikymu?",{"text":68,"@type":64},"Sukurti mašininio mokymosi modelį, kuris galėtų identifikuoti sudėtingus ryšius ir koreliacijas kredito duomenyse, įskaitant pajamas ir užimtumo statusą, bei tiksliai nustatyti mokumo tikimybę.",{"name":70,"@type":61,"acceptedAnswer":71},"Kaip vertinamas modelio patikimumas šiame darbe?",{"text":72,"@type":64},"Apžvelgiamos modelio vertinimo ir jautrumo analizės išvados, kuriose pateikiama informacija apie sukurto modelio funkcionalumą ir patikimumą bei rezultatų įtaką finansinės rizikos valdymui.","https://schema.org",{"og:url":32,"og:type":75,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":77,"canonical":32},"index,follow",{"doc_id":79,"site_id":7},290330,1789641386,{"code":4,"msg":82,"data":83},"success",{"doc_id":79,"user_id":84,"nickname":42,"user_avatar":85,"doc_module":4,"category_id":86,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":87,"file_id":88,"file_url":89,"file_type":90,"file_size":91,"view_count":55,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":92,"language":93,"language_code":8,"site_id":7,"html_lang":94,"table_of_contents":95,"faqs":96,"seo_title":97,"seo_description":12,"update_tm":80,"read_time":98,"preview_page_count":4},1649267921044,"https://us-avatar.wpscdn.com/avatar/1800007509477c92dfb?_k=1786009248482753345",8,"VILNIAUS UNIVERSITETAS  \nMatematikos ir informatikos fakultetas  \nBakalauro studiju˛ programa  \nFinansu˛ ir draudimo matematika  \nFinansine˙s kredito rizikos analize˙ naudojant mašininio mokymosi metodus Financial credit risk analysis using machine  \nlearning methods  \nBaigiamasis bakalauro darbas  \nAtliko: Filip Aleksandr Lutz  \nVU el. p.: [aleksandr.lutz@mif.stud.vu.lt](aleksandr.lutz@mif.stud.vu.lt)  \n[Darbo vadovas: doc. Raivydas](Darbo vadovas: doc. Raivydas) Š[im](im)e˙nas  \nVilnius  \n2023  \nTurinys  \n1 I˛vadas 6  \n1.1 Temos aktualumas ................................ 6  \n1.2 Temos ištirtumas ................................. 6  \n1.3 Problema ir uždaviniai .............................. 7  \n2 Dirbtinio intelekto samprata 8  \n2.1 Kas yra dirbtinis intelektas? ........................... 8  \n2.2 Dirbtinio Intelekto klasifikacija .......................... 8  \n2.3 Neuroniniai tinklai ................................ 11  \n2.4 Literat¯uros analize˙................................ 12  \n3 Metodologija 14  \n3.1 Duomenys bei ju˛ paruošimas ........................... 14  \n3.1.1 Duomenu˛ kintamieji ........................... 15  \n3.2 Modelio apmokymas ............................... 16  \n3.3 Modelio vertinimas ................................ 20  \n3.4 Jautrumo analize˙ : Modelio patikimumo vertinimas .............. 22  \n4 Diskusija: Modelio efektyvumo vertinimas ir reikšme˙ finansine˙s rizikos prognozavimui ir valdymui 24  \n5 Išvados 26  \n6 Literat¯uros sarašas 27  \n7 Priedai: Kodas 29  \nSantrauka  \nViena 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 .  \nŠiame 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 .  \nApžvelgiamos 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.  \nRaktiniai žodžiai: Mašininis mokymasis, dirbtiniai neuroniniaitinklai, finansine˙s kredito rizikos analize˙ , dirbtinis intelektas  \nAbstract  \nOne 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.  \nThis paper explore","cbCaieZ0n8gNzJ86","https://ap.wps.com/l/cbCaieZ0n8gNzJ86","pdf",1436303,29,"Lithuanian","en","# Įvados\n## Temos aktualumas\n## Temos ištyrimas\n## Problema ir uždaviniai\n# Dirbtinio intelekto samprata\n## Kas yra dirbtinis intelektas?\n## Dirbtinio intelekto klasifikacija\n## Neuroniniai tinklai\n## Literatūros analizė\n# Metodologija\n## Duomenys bei jų paruošimas\n### Duomenų kintamieji\n## Modelio apmokymas\n## Modelio vertinimas\n## Jautrumo analizė: Modelio patikimumo vertinimas\n# Diskusija: Modelio efektyvumo vertinimas ir reikšmė finansinės rizikos prognozavimui ir valdymui\n# Išvados\n# Literatūros sąrašas\n# Priedai: Kodas","[{\"question\":\"Kokia pagrindinė kredito rizikos vertinimo priežastis finansinėse organizacijose?\",\"answer\":\"Vertinimas skirtas nustatyti tikimybę, kad skolininkai nesugebės grąžinti paskolų. Tai padeda mažinti finansinę riziką ir geriau valdyti sprendimus.\"},{\"question\":\"Koks darbo tyrimo tikslas, susijęs su neuroninių tinklų taikymu?\",\"answer\":\"Sukurti mašininio mokymosi modelį, kuris galėtų identifikuoti sudėtingus ryšius ir koreliacijas kredito duomenyse, įskaitant pajamas ir užimtumo statusą, bei tiksliai nustatyti mokumo tikimybę.\"},{\"question\":\"Kaip vertinamas modelio patikimumas šiame darbe?\",\"answer\":\"Apžvelgiamos modelio vertinimo ir jautrumo analizės išvados, kuriose pateikiama informacija apie sukurto modelio funkcionalumą ir patikimumą bei rezultatų įtaką finansinės rizikos valdymui.\"}]","Finansu̦s kredito rizikos analizė naudojant mašininio mokymosi metodus - Baigiamasis bakalauro darbas | PDF",73,{"code":4,"msg":82,"data":100},[101,105,109,113,118,123,128,131,136,139,142],{"id":22,"doc_module":4,"doc_module_name":25,"category_name":102,"show_sort_weight":103,"slug":104},"Story & Novel",90,"story-novel",{"id":26,"doc_module":4,"doc_module_name":25,"category_name":106,"show_sort_weight":107,"slug":108},"Literature",80,"literature",{"id":33,"doc_module":4,"doc_module_name":25,"category_name":110,"show_sort_weight":111,"slug":112},"Exam",70,"exam",{"id":114,"doc_module":4,"doc_module_name":25,"category_name":115,"show_sort_weight":116,"slug":117},5,"Comic",60,"comic",{"id":119,"doc_module":4,"doc_module_name":25,"category_name":120,"show_sort_weight":121,"slug":122},6,"Technology",50,"technology",{"id":124,"doc_module":4,"doc_module_name":25,"category_name":125,"show_sort_weight":126,"slug":127},7,"Healthcare",40,"healthcare",{"id":86,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":129,"slug":130},30,"research-report",{"id":132,"doc_module":4,"doc_module_name":25,"category_name":133,"show_sort_weight":134,"slug":135},9,"Religion & Spirituality",20,"religion-spirituality",{"id":134,"doc_module":4,"doc_module_name":25,"category_name":137,"show_sort_weight":134,"slug":138},"World Cup","world-cup",{"id":55,"doc_module":4,"doc_module_name":25,"category_name":140,"show_sort_weight":55,"slug":141},"Lifestyle","lifestyle",{"id":143,"doc_module":4,"doc_module_name":25,"category_name":144,"show_sort_weight":114,"slug":145},19,"General","general"]