2013.11.07.

Alapfogalmak
• Csődelőrejelzés
– Adatok
A csődelőrejelzés módszerei – Eszközök
– Kétcsoportos klasszifikáció
• A csődelőrejelzés fejlődése
• Empirikus tudományterület
• Az opcióárazási elmélet (MV<D)

Egyváltozós módszerek Többváltozós diszkriminancia-analízis

• Egyváltozós diszkriminancia-analízis
• Beaver elmélete
• Diszkrimináló erő: Wilks-λ=SSK/SSB
• Minden osztályhoz tartozik egy-egy függvény
• Vágópont (cut value)
• Feltételezések:
– normalitás (linearitás)
– függetlenség
– variancia-kovariancia mátrixok

1
 2013.11.07.

Probit modell Logit modell

• Lineáris valószínűségi modell
• Y értéke 1 vagy 0
• Feltételezései:
– logisztikus eloszlás
– függetlenség
– linearitás
• Feltételezések: – nagy minta
– normalitás • Paraméterek értelmezése
– függetlenség
• Érzékenység az outlier értékekre

Döntési fák Döntési fák

• Kategorizálás
• Kategóriák összevonása
• Függetlenség vizsgálat
• A fák „nyesése”
• Feltevések és tesztek nincsenek
• Csődvalószínűséget nem képesek közvetlenül
becsülni

2
 2013.11.07.

Neurális hálók Önszerveződő térképek

• Tanító nélküli klasszifikációs és nem előrejelző eljárás
• Kétrétegű neurális hálók
• Az output neuronok az input megfigyelések egyes típusait
igyekeznek leképezni
• Az inputok a hozzá leginkább hasonló outputhoz rendelődnek,
• Backpropagation tanulási módszer majd a súlyok módosulnak
• Túltanulás
• Lokális optimum
• Fekete doboz probléma
• Szakértői tudás

Többdimenziós skálázás Többdimenziós skálázás

• Különbözőség (hasonlóság): δ
• Távolság: d
• A sokdimenziós skálázás alapegyenlete:

• Az illeszkedés jósága és dimenziószám: stressz-

mutatók
• Nincsenek feltevések és nem jelent problémát az
outlier értékek jelenléte sem
• Előrejelzésre csak akkor képes, ha újra felállítjuk a
modellt

3
 2013.11.07.

Support vector machine Support vector machine

Összegzés
• Általánosságban egyik módszer sem jobb a
másiknál
• Szimultán alkalmazás
• Módszerkombinációk