Neuro-Fuzzy Modeling Techniques in Economics

Neuro-Fuzzy Modeling Techniques in Economics

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 екс-периментальні дослідження із більше ніж 3000 моделями персеп-тронного типу в інструментальному пакеті STATISTICA Neural Networks. Зроблено висновки і рекомендації щодо поділу генераль-ної сукупності спостережень на навчальну, тестову та контрольну вибірки з метою підвищення ефективності діагностування пози-чальників, котрим загрожує дефолт. Виявлено, що оптимальна кількість пояснювальних змінних для адекватної оцінки кредито-спроможності 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 експе-риментальні 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 recommen-dations 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, юри-дична 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: 22.07.2024).
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 22 Jul 2024).
# 8 / 2019 # 8 / 2019
Download Paper
152
Views
34
Downloads
1
Cited by