Prediction av förluster i en bolåneportfölj med logistisk regression

This thesis was conducted to investigate what factors are important for a financial institute when predicting the risk of default for a Swedish mortgage portfolio. The applied method was logistic regression analysis and the data used in the thesis was received from a Swedish financial institute. Many of the conducted studies assessing the risk of default only considers five to ten covariates. This thesis started by 29 covariates, ending up in a final model with 16 covariates included. The most important covariates were shown to be pressure of payments, the sum of assets and the time as customer at the financial institute. The derived final model showed a high predictive ability and provides insight of significant drivers of default for a Swedish mortgage portfolio. Considering the alarming housing market in Sweden, and the subprime crisis in the U.S 2008, the subject is highly relevant. Arbetet genomfördes för att undersöka vilka faktorersom är viktiga för ett finansiellt institut vid prediktion av risk förbetalningsförsummelse för en svensk bolåneportfölj. Den applicerade metoden varlogistisk regressionsanalys och datat som användes i avhandlingen mottogs från ettsvenskt finansiellt institut. Många tidigare studier som bedömt risk förbetalningsförsummelse har endast undersökt fem till tio kovariat. Dennaundersökning började med 29 kovariat, som sedan ledde till en slutgiltig modellmed 16 kovariat inkluderade. De viktigaste kovariaten visade sig varapåminnelser av betalningar, summan av tillgångar och kundtid vid detfinansiella institutet. Den framtagna slutgiltiga modellen visade en högförmåga att förutsäga betalningsförsummelse och ger insikt om betydandedrivkrafter för betalningsförsummelse för en Svensk bolåneportfölj. Med tankepå den oroväckande bostadsmarknaden I Sverige och subprime-krisen i USA 2008 ärämnet mycket relevan