Статистические методы оценки кредитного риска

Results of credit risk of clients assessed by the most commonly statistical predictive in the banking system and their comparison: Discriminant analyses, Neural network and binary logistic regression. The analysis was conducted using random educational data with the following characteristics - borrower’s age, level ofeducation, number of years with current employer, number of years at the current address, household income inthousands, debt to income ration, credit card debt and other debts in thousand. The results of the analysis showthat the "neural networks" method is more reliable than others.В статье представлены результаты оценки кредитного риска в банковской системе и проведено сравнение наиболее актуальных методов: нейронных сетей, дискриминантного анализа и логистической регрессии. При оценке использовалась обучающая выборка, включающая следующие данные клиентов: возраст заемщика, уровень образования, продолжительность работы с нынешним работодателем, длительность проживания по текущему адресу, доход заемщика, отношение долга к доходу, долг по кредитной карте, другие долги. Результаты анализа показали, что метод нейронных сетей является более надежным по сравнению с остальными