Estimation of loan applicants default probability applying discriminant analysis and simple Bayesian classifier

LTStraipsnyje atliekamas paskolų pareiškėjų įsipareigojimų nevykdymo tikimybės vertinimas taikant diskriminantinę analizę ir paprastąjį Bayesian klasifikatorių. Pastebima, kad kreditai klientams dažniausiai sudaro didelę bankų turto dalį ir yra viena rizikingiausių turto rūšių. Kreditų teikimas bankams yra ne tik pajamų šaltinis, tačiau taip pat gali būti ir pagrindinė nuostolių priežastis. Pagrindinė rizika, su kuria susiduria bankai skolindami pinigus, yra kredito rizika. Tai rizika, kad banko skolininkas dėl tam tikrų priežasčių negalės įvykdyti savo prisiimtų finansinių įsipareigojimų bankui. Bankai, norėdami sumažinti galimus nuostolius dėl kreditų suteikimo nepatikimiems klientams, turi sugebėti tinkamai įvertinti kiekvieno kliento kredito riziką. Straipsnio tyrimo objektas – kredito rizikos statistiniai tyrimo modeliai. Apibrėžtas tyrimo tikslas – išsiaiškinti banko klientų įsipareigojimų nevykdymo tikimybes naudojant diskriminantinę analizę ir paprastąjį Bayesian kredito rizikos vertinimo modelio klasifikatorių. Įgyvendinant tyrimo tikslą numatyta apibūdinti diskriminantinės analizės metodą taikant kredito rizikos įvertinimui. Apibūdinti bankų klientų įsipareigojimų nevykdymo tolimesnių tikimybių skaičiavimą. Išplėtoti kredito rizikos vertinimo modelį ir įvertinti banko klientų įsipareigojimų nevykdymo tikimybę. Tyrimo metu atlikta mokslinės literatūros analizė, išplėtotas kredito rizikos vertinimo modelis ir įvertinta banko klientų įsipareigojimų nevykdymo tikimybė.

ENIn commercial banks risk management the credit risk measurement of each client is very important for the ability to discriminate reliable clients from not reliable. The need for models that predict defaults accurately is imperative, because bank crediting clients can take either preventive or corrective action. One of possible quantitative methods for solving credit risk estimation problems is discriminant analysis. In this paper 27 discriminant analysis models of various researchers for classification of companies were analyzed. The average classification accuracy of these models was evaluated. Often discriminant analysis is used as method to classify bank‘s clients into two classes: default and not default. So the discriminant analysis model was developed to classify Lithuanian companies. The best classification accuracy rates were reached by model analyzing data about companies of 2 years. In this research according to 4 financial ratios, 8 ratings scale was created. The simple Bayesian classifier was applied for calculation of posterior probabilities to default of each rating. Created rating scale increased the correct classification rate of model from 84% to 98%.