[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-en-105":3,"doc-seo-290790-105":59,"doc-detail-290790-en":130},{"code":4,"msg":5,"data":6},0,"success",[7,13,18,23,28,33,38,43,48,51,55],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},1,"Document","Story & Novel",90,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":16,"slug":17},2,"Literature",80,"literature",{"id":19,"doc_module":4,"doc_module_name":9,"category_name":20,"show_sort_weight":21,"slug":22},4,"Exam",70,"exam",{"id":24,"doc_module":4,"doc_module_name":9,"category_name":25,"show_sort_weight":26,"slug":27},5,"Comic",60,"comic",{"id":29,"doc_module":4,"doc_module_name":9,"category_name":30,"show_sort_weight":31,"slug":32},6,"Technology",50,"technology",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":36,"slug":37},7,"Healthcare",40,"healthcare",{"id":39,"doc_module":4,"doc_module_name":9,"category_name":40,"show_sort_weight":41,"slug":42},8,"Research & Report",30,"research-report",{"id":44,"doc_module":4,"doc_module_name":9,"category_name":45,"show_sort_weight":46,"slug":47},9,"Religion & Spirituality",20,"religion-spirituality",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":49,"show_sort_weight":46,"slug":50},"World Cup","world-cup",{"id":52,"doc_module":4,"doc_module_name":9,"category_name":53,"show_sort_weight":52,"slug":54},10,"Lifestyle","lifestyle",{"id":56,"doc_module":4,"doc_module_name":9,"category_name":57,"show_sort_weight":24,"slug":58},19,"General","general",{"code":4,"msg":60,"data":61},"ok",{"site_id":62,"language":63,"slug":64,"title":65,"keywords":66,"description":67,"schema_data":68,"social_meta":123,"head_meta":125,"extra_data":127,"updated_unix":129},105,"lt","mortgage-prepayment-prediction-using-machine-learning-bachelors-thesis","Būsto paskolų išankstinių grąžinimų prognozavimas naudojant mašininį mokymą - Bakalauro baigiamasis darbas","","Darbe atliekamas būsto paskolų išankstinių grąžinimų prognozavimas naudojant mašininio mokymosi modelius. Tyrime naudoti mėnesinių stebinių duomenys apie anonimizuotas Norvegijos individualias būsto paskolas, apimančias 2005–2012 m., be kontraktinių amortizacijos schemų. Dėl riboto nepriklausomų kintamųjų skaičiaus atlikta požymių inžinerija ir į požymių aibę įtraukti makroekonominiai veiksniai. Sudaryti atsitiktinio miško ir ilgos trumpalaikės atminties neuroninių tinklų regresijos modeliai prognozuoja santykinius išankstinius grąžinimus individualiu paskolos lygiu. Prognozės agreguotos svertiniu vidurkiu, leidžiančiu įvertinti portfelio lygmens išankstinių grąžinimų rodiklius. Eksperimentai parodė, kad atsitiktinio miško modelis gerokai pagerina rezultatus mokymo laikotarpiu, tačiau prognozių aibėje stebimas sistemingas pablogėjimas; jį sušvelnina LSTM modelis, pasiekiantis geriausius bendrus rezultatus.",{"@graph":69,"@context":122},[70,84,105],{"@type":71,"itemListElement":72},"BreadcrumbList",[73,77,79,82],{"item":74,"name":75,"@type":76,"position":8},"https://docshare.wps.com","Home","ListItem",{"item":78,"name":9,"@type":76,"position":14},"https://docshare.wps.com/document/",{"item":80,"name":40,"@type":76,"position":81},"https://docshare.wps.com/document/research-report/",3,{"item":83,"name":65,"@type":76,"position":19},"https://docshare.wps.com/document/mortgage-prepayment-prediction-using-machine-learning-bachelors-thesis/290790/",{"url":83,"name":65,"@type":85,"image":86,"author":91,"headline":65,"publisher":94,"fileFormat":97,"inLanguage":63,"description":67,"dateModified":98,"datePublished":99,"encodingFormat":97,"isAccessibleForFree":100,"interactionStatistic":101},"DigitalDocument",{"url":87,"@type":88,"width":89,"height":90},"https://docshare.wps.com/thumbnails/mortgage-prepayment-prediction-using-machine-learning-bachelors-thesis/290790.png","ImageObject",300,407,{"name":92,"@type":93},"River Wang","Person",{"url":74,"name":95,"@type":96},"DocShare","Organization","application/pdf","2026-10-20","2026-09-17",true,{"@type":102,"interactionType":103,"userInteractionCount":29},"InteractionCounter",{"@type":104},"ViewAction",{"@type":106,"mainEntity":107},"FAQPage",[108,114,118],{"name":109,"@type":110,"acceptedAnswer":111},"Kokie duomenys naudojami būsto paskolų išankstinių grąžinimų prognozavimui?","Question",{"text":112,"@type":113},"Naudojami anonimizuoti Norvegijos individualių būsto paskolų mėnesinių stebinių duomenys, apimantys 2005–2012 m., be kontraktinių amortizacijos schemų.","Answer",{"name":115,"@type":110,"acceptedAnswer":116},"Kodėl atliekama požymių inžinerija ir ką ji apima?",{"text":117,"@type":113},"Dėl riboto nepriklausomų kintamųjų skaičiaus papildoma požymių aibė įtraukiant makroekonominius veiksnius.",{"name":119,"@type":110,"acceptedAnswer":120},"Kuo pagrįsta prognozių agregavimo logika portfelio lygiui?",{"text":121,"@type":113},"Prognozės agreguojamos apskaičiuojant svertinį vidurkį pagal tuo metu neišmokėtą paskolos sumą, taip gaunant portfelio lygmens išankstinių grąžinimų rodiklio prognozes.","https://schema.org",{"og:url":83,"og:type":124,"og:title":65,"og:site_name":95,"og:description":67},"article",{"robots":126,"canonical":83},"index,follow",{"doc_id":128,"site_id":62},290790,1789642575,{"code":4,"msg":5,"data":131},{"doc_id":128,"user_id":132,"nickname":92,"user_avatar":133,"doc_module":4,"category_id":39,"category_name":40,"doc_title":65,"doc_description":67,"doc_content":134,"file_id":135,"file_url":136,"file_type":137,"file_size":138,"view_count":29,"is_deleted":4,"is_public":8,"is_downloadable":8,"audit_status":8,"page_count":139,"language":140,"language_code":63,"site_id":62,"html_lang":141,"table_of_contents":142,"faqs":143,"seo_title":144,"seo_description":67,"update_tm":129,"read_time":145,"preview_page_count":4},1099514067438,"https://ap-avatar.wpscdn.com/avatar/100002539ee87300030?x-image-process=image/resize,m_fixed,w_180,h_180&k=1780474512215547542","VILNIAUS UNIVERSITETAS  \nMATEMATIKOS IR INFORMATIKOS FAKULTETAS DUOMENŲ MOKSLO BAKALAURO STUDIJŲ PROGRAMA  \nBūsto paskolų išankstinių grąžinimų prognozavimas naudojant  \nmašininį mokymą  \nMortgage Prepayment Prediction Using Machine Learning  \nBakalauro baigiamasis darbas  \nAtliko:  \nDovydas Martinkus  \nDarbo vadovas:  \nJulius Venskus, Asist., Dr.  \nVilnius  \nTurinys  \nĮvadas ................................................................................................... 3  \n1. Probleminės srities analizė ........................................................................ 4  \n1.1. Būsto paskolos ................................................................................ 4  \n1.2. Išankstinių grąžinimų rizika .................................................................. 5  \n1.3. Išankstinių grąžinimų modeliai ............................................................... 6  \n1.3.1. Skatinamieji veiksniai .................................................................. 6  \n1.4. Literatūros apžvalga .......................................................................... 8  \n2. Metodologija ....................................................................................... 10  \n2.1. Bendra metodologija .......................................................................... 10  \n2.1.1. Optimalių hiperparametrų paieška .................................................... 10  \n2.2. Atsitiktinis miškas ............................................................................ 11  \n2.2.1. Spendimų medžiai ...................................................................... 11  \n2.2.2. Ansamblių metodai sprendimų medžiams ............................................ 13  \n2.3. Ilgos trumpalaikės atminties modelis ........................................................ 14  \n2.3.1. Dirbtiniai neuroninai tinklai ........................................................... 14  \n2.3.2. Grįžtamojo ryšio ir rekurentiniai neuroniniai tinklai ................................. 17  \n2.3.3. LSTM ................................................................................... 18  \n3. Pirminė duomenų analizė .......................................................................... 20  \n3.1. Duomenų aprašymas .......................................................................... 20  \n3.2. Priklausomo kintamojo analizė ............................................................... 22  \n3.3. Požymių aibės sudarymas .................................................................... 25  \n4. Modelių sudarymas ir eksperimentinis tyrimas ................................................... 28  \n4.1. Atsitiktinio miško modelis .................................................................... 28  \n4.2. LSTM modelis ................................................................................ 34  \nRezultatai ir išvados .................................................................................... 40  \nŠaltiniai ................................................................................................. 42  \nPriedai .................................................................................................. 44  \n1 Priedas. Pirminės analizės programinis kodas .................................................. 44  \n2 Priedas. Atsitiktinio miško modelio sudarymo programinis kodas ............................ 54  \n3 Priedas. LSTM modelio sudarymo programinis kodas ......................................... 63  \nBūsto paskolų išankstinių grąžinimų prognozavimas naudojant mašininį  \nmokymą  \nSantrauka  \nDarbe atliekamas būsto paskolų išankstinių grąžinimų prognozavimas naudojant mašininio mokymosimodelius. Tyrime naudoti mėnesinio dažnio anonimizuoti Norvegijos individualių būsto paskolų kreditų, be jokios kontraktu sudarytos amortizacijos schemos, duomenys, apimantys laikotarpį nuo 2005 iki 2012 metų. Atsižvelgiant į nedidelį skaičių prieinamų nepriklausomų kintamųjų duomenų rinkinyje, požymių aibė papi","cbCaig7yf5NmXv5B","https://ap.wps.com/l/cbCaig7yf5NmXv5B","pdf",1145239,74,"Lithuanian","en","# Įvadas\n# 1. Probleminės srities analizė\n## 1.1. Būsto paskolos\n## 1.2. Išankstinių grąžinimų rizika\n## 1.3. Išankstinių grąžinimų modeliai\n## 1.4. Literatūros apžvalga\n# 2. Metodologija\n## 2.1. Bendra metodologija\n## 2.2. Atsitiktinis miškas\n## 2.3. Ilgos trumpalaikės atminties modelis\n# 3. Pirminė duomenų analizė\n## 3.1. Duomenų aprašymas\n## 3.2. Priklausomo kintamojo analizė\n## 3.3. Požymių aibės sudarymas\n# 4. Modelių sudarymas ir eksperimentinis tyrimas\n## 4.1. Atsitiktinio miško modelis\n## 4.2. LSTM modelis\n# Rezultatai ir išvados\n# Šaltiniai\n# Priedai","[{\"question\":\"Kokie duomenys naudojami būsto paskolų išankstinių grąžinimų prognozavimui?\",\"answer\":\"Naudojami anonimizuoti Norvegijos individualių būsto paskolų mėnesinių stebinių duomenys, apimantys 2005–2012 m., be kontraktinių amortizacijos schemų.\"},{\"question\":\"Kodėl atliekama požymių inžinerija ir ką ji apima?\",\"answer\":\"Dėl riboto nepriklausomų kintamųjų skaičiaus papildoma požymių aibė įtraukiant makroekonominius veiksnius.\"},{\"question\":\"Kuo pagrįsta prognozių agregavimo logika portfelio lygiui?\",\"answer\":\"Prognozės agreguojamos apskaičiuojant svertinį vidurkį pagal tuo metu neišmokėtą paskolos sumą, taip gaunant portfelio lygmens išankstinių grąžinimų rodiklio prognozes.\"}]","Būsto paskolų išankstinių grąžinimų prognozavimas naudojant mašininį mokymą - Bakalauro baigiamasis darbas | PDF",186]