KNEU Logo Публікації КНЕУ імені Вадима Гетьмана Publications of KNEU named after Vadym Hetman
Switch to Ukrainian Switch to English
Neuro-Fuzzy Modeling Techniques in Economics

Neuro-Fuzzy Modeling Techniques in Economics

ISSN 2415-3516
Григорович Ольга
Olha Hryhorovych

Застосування багатошарових персептронів для класифікації позичальників-юридичних осіб

Application of multilayer perceptrons to legal entities borrowers classification

DOI:

10.33111/nfmte.2019.048

Анотація: Статтю присвячено пошуку оптимальної архітектури нейронної мережі типу багатошаровий персептрон для мінімізації похибки першого роду при вирішенні задачі класифікації позичальників-юридичних осіб за рівнем кредитоспроможності. Проведено експериментальні дослідження із більше ніж 3000 моделями персептронного типу в інструментальному пакеті STATISTICA Neural Networks. Зроблено висновки і рекомендації щодо поділу генеральної сукупності спостережень на навчальну, тестову та контрольну вибірки з метою підвищення ефективності діагностування позичальників, котрим загрожує дефолт. Виявлено, що оптимальна кількість пояснювальних змінних для адекватної оцінки кредитоспроможності юридичних осіб має бути більшою 10. За таких умов середня точність передбачення дефолтів позичальників становить 80,23 % (відповідно, помилка першого роду є меншою за 20 %). Для найбільш адекватних моделей, відібраних у ході дослідження, похибка першого роду становить 10,69 %–13,69 %. Отримані експериментальні розрахунки підтверджують можливість і доцільність практичного застосування нейронних мереж персептронного типу при оцінці кредитоспроможності позичальників-юридичних осіб.
Abstract: The article is devoted to the search for the optimal architecture of a neural network such as a multilayer perceptron in order to reduce the type I error in solving the problem of classifying borrowers-legal entities by credit level. Experimental studies have been conducted with more than 3000 multilayer perceptron models in the STATISTICA Neural Networks toolbox. Conclusions and recommendations have been made regarding the dividing dataset into training, test and validation samples to improve prediction of the borrower’s default. It was revealed that the optimal number of explanatory variables for an adequate assessment of the creditworthiness of legal entities should exceed 10. Under such conditions, the average accuracy of prediction of defaults of borrowers is 80.23 % (respectively, the type I error is less than 20 %). For the most adequate models selected during the study, the type I error is 10.69 %–13.69 %. The obtained experimental calculations confirm the possibility and expediency of the practical application of perceptron-type neural networks in assessing the creditworthiness of borrowers-legal entities.
Ключові слова: кредитоспроможність, нейронна мережа, багатошаровий персептрон, фінансові показники, класифікація, юридична особа
Key words: creditworthiness, neural network, multilayer perceptron, financial indicators, classification, legal entity
УДК: 519.86:336.77
UDC: 519.86:336.77

JEL: C45 C51 G21

To cite paper
In APA style
Hryhorovych, O. (2019). Application of multilayer perceptrons to legal entities borrowers classification. Neuro-Fuzzy Modeling Techniques in Economics, 8, 48-64. http://doi.org/10.33111/nfmte.2019.048
In MON style
Григорович О. Застосування багатошарових персептронів для класифікації позичальників-юридичних осіб. Нейро-нечіткі технології моделювання в економіці. 2019. № 8. С. 48-64. http://doi.org/10.33111/nfmte.2019.048 (дата звернення: 13.09.2025).
With transliteration
Hryhorovych, O. (2019) Zastosuvannia bahatosharovykh perseptroniv dlia klasyfikatsii pozychalnykiv-iurydychnykh osib [Application of multilayer perceptrons to legal entities borrowers classification]. Neuro-Fuzzy Modeling Techniques in Economics, no. 8. pp. 48-64. http://doi.org/10.33111/nfmte.2019.048 [in Ukrainian] (accessed 13 Sep 2025).
# 8 / 2019 # 8 / 2019
Download Paper
407
Views
85
Downloads
1
Cited by

  1. The National Bank of Ukraine. (2019). Zvit pro finansovu stabilnist, cherven 2019 r. Retrieved from https://bank.gov.ua/admin_uploads/article/FSR_2019-R1.pdf?v=4 [in Ukrainian]
  2. The National Bank of Ukraine. (2019). Ohliad bankivskoho sektoru, serpen 2019 r. Retrieved from https://bank.gov.ua/file/download?file=Banking_Sector_Review_2019-08.pdf [in Ukrainian]
  3. Novoseletskyi, O. M., & Yakubets, O. V. (2014). Modeliuvannia kredytospromozhnosti yurydychnykh osib na osnovi dyskryminantnoho analizu ta neironnykh merezh. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 3, 120–150. DOI: 10.33111/nfmte.2014.120 [in Ukrainian]
  4. Casin, P. (2017). Categorical multiblock linear discriminant analysis. Journal of Applied Statistics, 45(8), 1396–1409. DOI: 10.1080/02664763.2017.1371678
  5. Savina, S. S., & Ben, V. P. (2015). Obiednannia modelei logit-rehresii yak komitetu ekspertiv dlia otsinky kredytospromozhnosti pozychalnyka. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 4, 154–188. DOI: 10.33111/nfmte.2015.154 [in Ukrainian]
  6. Joos, P., Vanhoof, K., Sierens, N., & Ooghe, H. (1998). Credit classification: a Comparison of Logit Models and Decision trees. Proceedings notes of the Workshop on Application of Machine Learning and Data Mining in Finance, 59–72.
  7. Malik, R. F., & Hermawan, H. (2018). Credit Scoring Using CART Algorithm and Binary Particle Swarm Optimization. International Journal of Electrical & Computer Engineering, 8(6), 5425–5431. DOI: 10.11591/ijece.v8i6.pp5425–5431
  8. West, D. (2000). Neural Network Credit Scoring Models. Computers & Operations Research, 27(11–12), 1131–1152. DOI: 10.1016/s0305-0548(99)00149-5
  9. Zhao, Z., Xu, S., Kang, B. H., Kabir, M. M. J., Liu, Y., & Wasinger, R. (2015). Investigation and improvement of multi-layer perceptron neural networks for credit scoring. Expert Systems with Applications, 42(7), 3508–3516. DOI: 10.1016/j.eswa.2014.12.006
  10. Tsai, C., & Wu, J. (2008). Using neural network ensembles for bankruptcy prediction and credit scoring. Expert Systems with Applications, 34(4), 2639–2649. DOI: 10.1016/j.eswa.2007.05.019
  11. Akkoç, S. (2019). Exploring the nature of credit scoring: a neuro fuzzy approach. Fuzzy Economic Review, 24(1), 3–24. DOI: 10.25102/fer.2019.01.01
  12. Kleban, Yu. V. (2015). Diahnostyka platospromozhnosti pidpryiemstv iz zastosuvanniam nechitkoi modeli Takagi-Sugeno. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 4, 62–79. DOI: 10.33111/nfmte.2015.062 [in Ukrainian]
  13. Matviychuk, A. (2010). Bankruptcy prediction in transformational economy: discriminant and fuzzy logic approaches. Fuzzy economic review, 15(1), 21–38. DOI: 10.25102/fer.2010.01.02
  14. Huang, J., Tzeng, G., & Ong, C. (2006). Two-stage genetic programming (2SGP) for the credit scoring model. Applied Mathematics and Computation, 174(2), 1039–1053. DOI: 10.1016/j.amc.2005.05.027
  15. Mukid, M. A., Widiharih, T., Rusgiyono, A., & Prahutama, A. (2018). Credit scoring analysis using weighted k nearest neighbor. Journal of Physics: Conference Series, 1025, 1–7. DOI: 10.1088/1742-6596/1025/1/012114
  16. Velykoivanenko, H. I., Korchynskyi, V. V., & Chernyshova, V. V. (2016). Doslidzhennia efektu perenavchannia neironnykh merezh na prykladi zadachi aplikatsiinoho skorynhu. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 5, 3–23. DOI: 10.33111/nfmte.2016.003 [in Ukrainian]
  17. Velykoivanenko, H. I., & Trokoz, L. O. (2014). Neiro-nechitka model otsiniuvannia prostrochenykh pozyk komertsiinoho banku. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 3, 23–66. DOI: 10.33111/nfmte.2014.023 [in Ukrainian]
  18. Matviychuk, A. V. (2011). Shtuchnyi intelekt v ekonomitsi: neironni merezhi, nechitka lohika: monohrafiia. Kyiv, Ukraine: KNEU [in Ukrainian]
  19. Velykoivanenko, H. I., Savina, S. S., Kolechko, D. V., & Ben, V. P. (2018). Pobudova ansambliv modelei kredytnoho skorynhu. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 7, 34–77. DOI: 10.33111/nfmte.2018.034 [in Ukrainian]
  20. Savina, S. S., & Ben, V. P. (2016). Vybir arkhitektury neiromerezhi dlia rozviazannia zadachi klasyfikatsii nadiinosti pozychalnykiv-fizychnykh osib. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi (Neuro-Fuzzy Modeling Techniques in Economics), 5, 123–151. DOI: 10.33111/nfmte.2016.123 [in Ukrainian]
  21. Mints, O. Yu. (2017). Metodolohiia modeliuvannia innovatsiinykh intelektualnykh system pryiniattia rishen v ekonomitsi: monohrafiia. Mariupol, Ukraine: DVNZ “Pryazovskyi derzhavnyi tekhnichnyi universytet” [in Ukrainian]
  22. Haykin, S. (1998). Neural Networks — A Comprehensive Foundation, Second Edition. New Jersey, NJ: Prentice-Hall.