BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Jasiński Tomasz (Politechnika Łódzka), Ścianowska Agnieszka (Politechnika Łódzka)
Tytuł
Możliwości oddziaływania na wzrost gospodarczy poprzez kontrolę poziomu ryzyka kredytowego w bankach przy wykorzystaniu systemów sztucznej inteligencji
Banks' Possibilities of Influencing Macroeconomic Growth by the use of Neural Network Systems in the Credit Risk Control
Źródło
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 2013, nr 305, s. 240-251, tab., bibliogr. 16 poz.
Research Papers of Wrocław University of Economics
Tytuł własny numeru
Ekonomia
Słowa kluczowe
Ryzyko kredytowe, Banki, Sieci neuronowe
Credit risk, Banks, Neural networks
Uwagi
streszcz., summ.
Abstrakt
Celem artykułu jest pokazanie możliwości oddziaływania banków na wzrost gospodarczy poprzez doskonalenie procesów przetwarzania informacji wspierających procedurę przyznawania kredytu. Autorzy wskazują na duży potencjał w zakresie poprawy jakości portfela kredytowego związany z wykorzystaniem w tym procesie systemów sieci neuronowych. Zastosowanie tych systemów pozwala na znaczne zwiększenie korelacji pomiędzy czynnikami determinującymi poziom ryzyka kredytowego i klasami ryzyka tworzonymi w ramach systemów ratingowych. W opracowaniu główny nacisk położony został na kwestie optymalizacji poprzez odpowiedni dobór danych wejściowych oraz metody nauki sieci. Ostatecznie wpływa to na poprawę wyników finansowych banków i zwiększenie dostępności kredytu, co stymuluje procesy wzrostu gospodarczego(abstrakt oryginalny)

The aim of the article is to indicate the banks' possibilities in their influencing macroeconomic growth by the improvement made in the data processing procedure in the credit grant decision making. The authors focus on the potential that lies in the improvement of the loan portfolio quality resulting from neural network use. The paper focuses mainly on the issues of artificial neural networks optimization by the proper choice of input data and training method. Finally these systems allow to increase a correlation between credit risk determinants and risk classes in the credit rating systems. The ultimate outcome is better financial standing of the banks and credit availability, which stimulates economic growth processes.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Bibliografia
Pokaż
  1. Atiya A.F., Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results, [w:] IEEE Transactions on Neural Networks, vol. 12, nr 4, 07.2001.
  2. Bai Q., Analysis of Particle Swarm Optimization Algorithm, "Computer and Information Science", vol. 3, nr 1, 02.2010.
  3. Bankinternes Rating mittelständischer Kreditnehmer im Zuge von Basel II, Bundesverband Deutscher Banken, Daten,Fakten, Argumenten, Berlin, 2. Aktualisierte Auflage, Juli 2009.
  4. Basel II und Rating in Deutschland: Wie beeinflusst ein Rating die Kreditentscheidung?https://www.bankenverband.de/presse/07.2012.
  5. Borio C., Change and Constancy In the Financial System: Implication for Financial Distress and Policy , BIS Working Paper nr 237, Monetary and Economic Department, 2007.
  6. Bundesverband Deutscher Banken, Rating, Fokus: Unternehmen, Eine Information der privaten Banken, Berlin, September 2010.
  7. Gao L., Zhou C., Gao H.-B., Shi Y.-R., Credit Scoring Model Based on Neural Network with Particle Swarm Optimization, [w:] ICNC 2006, Part I, red. L. Jiao:, LNCS 4221, Springer-Verlag Berlin Heidelberg, 2006, s. 76-79.
  8. Haubrich 1989, Financial intermediation, delegated monitoring, and long-term relationship, "Journal of Banking and Finance" 1989, vol. 13.
  9. Jasiński T., Zastosowanie dyskretnej transformaty falkowej do poprawy wyników uzyskiwanych przez sztuczne sieci neuronowe, [w:] Studia i Prace Kolegium Zarządzania i Finansów, SGH 2004, zeszyt naukowy 48.
  10. Kennedy R., Eberhart R., A New Optimizer Using Particle Swarm Theory, [w:] Proc. of 6th International Symposium on Micro Machine and Human Science, Nagoya, Japan. IEEE Service Center Piscataway NJ, s. 39-43, 1995.
  11. Khashman A., A Neural Network Model for Credit Risk Evaluation, "International Journal of Neural Systems", Vol. 19, nr 4, 2009, s. 285-294.
  12. Korenik D., Służebna rola banków komercyjnych, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław 2009.
  13. Matoussi H., Krichene A., Credit risk assessment using Multilayer Neural Network Models. Case of a Tunisian bank, International Business and Social Science Research Conference in Bangkok, 2011.
  14. NBP, Raport o stabilności systemu finansowego, grudzień 2011.
  15. Polański Z., Woźniak B, Pietrzak B., System finansowy w Polsce, Difin, Warszawa 2008.
  16. Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, 1998.
Cytowane przez
Pokaż
ISSN
1899-3192
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu