2. Predicting 5nancial distress: ne

2. Predicting 5nancial distress: neural network models
American Express is using a neural network-based system to detect incidences of credit card
fraud, and Lloyds Bowmaker Motor Finance has deployed a neural network credit scoring system
for automobile "nancing decisions. Lloyds claims that the neural-based credit scoring system is
10% more accurate than the system it replaced [18]. Security Paci"c Bank (SPB) is also using
a neural network intelligent system for credit scoring of small business loans [18]. The speci"c
neural network credit scoring model developed by SPB is a multi-layer perceptron (MLP) trained
by the back-propagation learning algorithm. SPB believes the advantage of the neural network
scoring system is the improved function-"tting capability due to the intrinsic non-linear pattern
recognition capability of the neural network. They state that even a small improvement in
predictive accuracy of the neural network credit scoring model is critical; a 1% improvement in
accuracy will reduce losses in a large loan portfolio and save millions of dollars.
Due to the proprietary nature of credit scoring, there is a paucity of research reporting the
performance of commercial credit scoring applications. The research that exists today focuses on
two areas, the prediction of "rm insolvency and the prediction of individual credit risk. Research at
the "rm level is reported "rst, followed by research at the level of the individual consumer. Altman
et al. employs both linear discriminant analysis and a multilayer perceptron neural network to
diagnose corporate "nancial distress for 1000 Italian "rms [8]. The authors conclude that neural
networks are not a clearly dominant mathematical technique compared to traditional statistical
techniques such as discriminant analysis, and that linear discriminant analysis compares rather
well to the neural network model in decision accuracy [8]. Coats and Fant report a di!erent
experience, contrasting a multilayer perceptron neural network with linear discriminant analysis
for a set of "rms labeled viable or distressed obtained from COMPUSTAT for the period
1970}1989 [11]. They "nd the neural network to be more accurate than linear discriminant
analysis, particularly for predicting "rms in "nancial distress. Lacher et al. utilizes the Coats and
Fant data to predict "nancial distress with Altman's Z score [15]. They state that the neural
network developed by cascade correlation more accurately predicts the "nancial health of a "rm
[15]. Salchenberger et al. investigate the use of a multilayer perceptron neural network to predict
the "nancial health of savings and loans [17]. The authors compare a multilayer perceptron neural
network with a logistic regression model for a data set of 3429 S&L's from January 1986 to
December 1987. They "nd that the neural network model performs as well as or better than the
logistic regression model for each data set examined. Tam and Kiang studied the application of
a multilayer perceptron neural network model to Texas bank failure prediction for the period
1985}1987 [7]. The neural network prediction accuracy is compared to linear discriminant
analysis, logistic regression, k nearest neighbor, and a decision tree model. Their results suggest
that the multilayer perceptron is most accurate, followed by linear discriminant analysis, logistic
regression, decision trees, and k nearest neighbor.
Desai et al. [13] investigate a multilayer perceptron neural network, a mixture of experts neural
network, linear discriminant analysis, and logistic regression for scoring credit applicants in the
credit union industry. Their methodology consists of two-fold cross validation of "eld data
obtained from three credit unions and the assumption of equal costs for good and bad credit risks.
They conclude that the neural network models outperform linear discriminant analysis, but are
only marginally better than logistic regression models. The authors also report that the neural

ผลลัพธ์ (ไทย) 1:

2. ทุกข์ 5nancial คาดการณ์: แบบจำลองโครงข่ายประสาทอเมริกันเอ็กซ์เพรสจะใช้ตามเครือข่ายระบบประสาทตรวจ incidences ของบัตรเครดิตฉ้อโกง และลอยด์ Bowmaker ทางรถยนต์มีการปรับใช้ระบบคะแนนเครดิตโครงข่ายประสาทสำหรับรถยนต์ "nancing การตัดสินใจ เรียกร้องลอยด์ที่เครดิตประสาทตามที่ระบบการให้คะแนน10% ถูกต้องมากกว่าระบบมันแทน [18] ความปลอดภัย Paci "c ธนาคาร (เอสพีบี) จะใช้โครงข่ายประสาทอัจฉริยะระบบการให้คะแนนเครดิตของธุรกิจขนาดเล็กสินเชื่อ [18] Speci "cเครือข่ายประสาทสินเชื่อพัฒนารูปแบบการให้คะแนน โดยเอสพีบีเป็นแบบหลายชั้นเพอร์เซปตรอน (MLP) การฝึกอบรมโดยขั้นตอนวิธีการเรียนรู้กลับมาเผยแพร่ เอสพีบีเชื่อว่าประโยชน์ของเครือข่ายประสาทระบบการให้คะแนนเป็นการปรับปรุงฟังก์ชัน-"tting ความสามารถเนื่องจากรูปแบบไม่เชิงเส้นการ intrinsicความสามารถในการรับรู้ของเครือข่ายประสาท ผู้ที่พัฒนาขนาดเล็กในรัฐคาดการณ์ความถูกต้องของเครดิตเครือข่ายประสาทรูปแบบการให้คะแนนเป็นสิ่งสำคัญ การปรับปรุง 1% ในความแม่นยำจะลดความสูญเสียในผลงานใหญ่กู้ และบันทึกล้านดอลลาร์เนื่องจากกรรมสิทธิ์ของเครดิตคะแนน มี paucity ของรายงานวิจัยประสิทธิภาพของสินค้าให้คะแนนใบสมัคร เน้นการวิจัยที่มีอยู่ในวันนี้สอง คำทำนายของ "ล้มละลาย rm และทำนายความเสี่ยงสินเชื่อแต่ละ งานวิจัยที่"ระดับ rm เป็นรายงาน"rst ตาม ด้วยการวิจัยในระดับของผู้บริโภคแต่ละ การ Altmanal. ร้อยเอ็ดใช้ discriminant เชิงวิเคราะห์และข่ายประสาทเพอร์เซปตรอนหลายชั้นเพื่อวิเคราะห์องค์กร "ทุกข์ nancial สำหรับอิตาลี 1000 "rms [8] ผู้เขียนสรุปว่า ประสาทเครือข่ายไม่ได้เป็นเทคนิคทางคณิตศาสตร์ตัวอย่างชัดเจนเมื่อเทียบกับแบบดั้งเดิมทางสถิติเทคนิคเช่นการวิเคราะห์ discriminant ที่ discriminant เชิงวิเคราะห์และเปรียบเทียบค่อนข้างด้วยการจำลองโครงข่ายประสาทในการตัดสินใจความถูกต้อง [8] เสื้อและ Fant รายงานการดิ! erentประสบการณ์ ห้องเครือข่ายประสาทหลายชั้นเพอร์เซปตรอนกับ discriminant เชิงวิเคราะห์สำหรับชุด "rms ที่ป้ายเป็นทุกข์ หรือได้รับจาก COMPUSTAT สำหรับรอบระยะเวลา1970 } 1989 [11] พวกเขา "nd เครือข่ายประสาทจะถูกต้องมากกว่าเชิง discriminantการวิเคราะห์ โดยเฉพาะอย่างยิ่งสำหรับการคาดการณ์ "rms "nancial ตกทุกข์ได้ยาก เสื้อใช้ Lacher et al. และข้อมูล Fant เพื่อทำนาย "nancial ทุกข์กับคะแนน Z ของ Altman [15] พวกเขาระบุที่ตัวประสาทเครือข่ายที่พัฒนาขึ้น โดยความสัมพันธ์ทั้งหมดแม่นยำทำนาย "nancial สุขภาพของ"rm[15] . Salchenberger et al. ตรวจสอบการใช้เครือข่ายประสาทเพอร์เซปตรอนหลายชั้นเพื่อทำนาย"nancial สุขภาพของเงินฝากออมทรัพย์และเงินกู้ยืม [17] ผู้เขียนเปรียบเทียบแบบหลายชั้นเพอร์เซปตรอนประสาทเครือข่ายที่ มีแบบจำลองการถดถอยโลจิสติกสำหรับชุดข้อมูลของ 3429 S และ L จาก 1986 มกราคมเพื่อ1987 ธันวาคม พวกเขา " nd ที่ทำแบบจำลองโครงข่ายประสาทดีเท่า หรือดี กว่าแบบจำลองถดถอยโลจิสติกสำหรับแต่ละชุดข้อมูลที่ตรวจสอบ ถ้ำและเกียงศึกษาประยุกต์ใช้แบบจำลองโครงข่ายประสาทหลายชั้นเพอร์เซปตรอนการทำนายความล้มเหลวของเท็กซัส ธนาคารสำหรับรอบระยะเวลาปี 1985 } 1987 [7] ความถูกต้องของเครือข่ายประสาททายถูกเปรียบเทียบกับเส้น discriminantวิเคราะห์ การถดถอยโลจิสติก k ใกล้บ้าน และแบบต้นไม้ตัดสินใจ แนะนำผลลัพธ์ว่า เพอร์เซปตรอนหลายชั้นถูกที่สุด ตาม ด้วยการวิเคราะห์ discriminant เชิงเส้น โลจิสติกถดถอย ต้นไม้การตัดสินใจ และ k ใกล้บ้านเพอร์เซปตรอนหลายชั้นประสาทเครือข่าย ส่วนผสมของประสาทผู้เชี่ยวชาญตรวจสอบ Desai et al. [13]เครือข่าย วิเคราะห์เชิง discriminant และถดถอยโลจิสติกสำหรับผู้สมัครสินเชื่อในการให้คะแนนเครดิตยูเนียนอุตสาหกรรม วิธีการของพวกเขาประกอบด้วยสองพับข้ามการตรวจสอบ "ข้อมูล eldได้รับจากสหภาพสินเชื่อสามและอัสสัมชัญเท่าต้นทุนความเสี่ยงสินเชื่อที่ดี และไม่ดีพวกเขาสรุปว่า แบบจำลองโครงข่ายประสาท outperform discriminant เชิงวิเคราะห์ แต่มีเท่านั้นดีกว่าโมเดลถดถอยโลจิสติก ผู้เขียนรายงานยังที่ประสาท

ผลลัพธ์ (ไทย) 2:

2. การทำนายความทุกข์ 5nancial:
โมเดลเครือข่ายประสาทอเมริกันเอ็กซ์เพรสโดยใช้ระบบเครือข่ายประสาทในการตรวจสอบอุบัติการณ์ของบัตรเครดิตหลอกลวงและ
Lloyds Bowmaker Motor Finance
ได้ติดตั้งระบบการให้คะแนนสินเชื่อเครือข่ายประสาท. สำหรับรถยนต์ "ตัดสินใจ nancing ลอยด์อ้างว่า เครดิตประสาทที่ใช้ระบบการให้คะแนนเป็น
10% ถูกต้องมากขึ้นกว่าระบบมันถูกแทนที่ด้วย [18]. การรักษาความปลอดภัย Paci "C ธนาคาร (SPB)
จะยังมีการใช้เครือข่ายประสาทระบบอัจฉริยะสำหรับการให้คะแนนสินเชื่อของสินเชื่อธุรกิจขนาดเล็ก[18] speci "C
เครือข่ายประสาทรูปแบบการให้คะแนนเครดิตที่พัฒนาโดย SPB เป็นตรอนหลายชั้น (MLP)
ได้รับการฝึกฝนโดยหลังการขยายพันธุ์ขั้นตอนวิธีการเรียนรู้. SPB
เชื่อว่าประโยชน์จากเครือข่ายประสาทระบบการให้คะแนนเป็นฟังก์ชั่นที่ดีขึ้น" ความสามารถในระบบเนื่องจากการ
รูปแบบที่ไม่ใช่เชิงเส้นที่แท้จริงความสามารถในการรับรู้ของเครือข่ายประสาท พวกเขากล่าวว่าแม้การปรับปรุงเล็ก ๆ
ในความถูกต้องของการคาดการณ์ของเครือข่ายประสาทรูปแบบการให้คะแนนเครดิตเป็นสิ่งสำคัญ; การปรับปรุง 1%
ความถูกต้องจะช่วยลดการสูญเสียในสินเชื่อขนาดใหญ่และประหยัดล้านดอลลาร์. เนื่องจากลักษณะที่เป็นกรรมสิทธิ์ของการให้คะแนนเครดิตมีความยากจนของรายงานการวิจัยที่ประสิทธิภาพของการใช้งานในเชิงพาณิชย์ให้คะแนนเครดิต งานวิจัยที่มีอยู่ในปัจจุบันมุ่งเน้นไปที่สองพื้นที่การทำนายของ "ล้มละลาย RM และการทำนายความเสี่ยงด้านเครดิตของแต่ละบุคคล. การวิจัยที่ว่า" ระดับ RM มีรายงาน "แรกตามด้วยการวิจัยในระดับของผู้บริโภคแต่ละ. Altman et al, พนักงานทั้งวิเคราะห์จำแนกเชิงเส้นและหลายตรอนเครือข่ายประสาทในการวินิจฉัยขององค์กร"ความทุกข์การเงิน 1000 อิตาลี" อาร์ [8]. ผู้เขียนสรุปว่าประสาทเครือข่ายไม่ได้เป็นเทคนิคทางคณิตศาสตร์ที่โดดเด่นอย่างเห็นได้ชัดเมื่อเทียบกับสถิติดั้งเดิมเทคนิคเช่นการวิเคราะห์จำแนกและการวิเคราะห์จำแนกว่าเชิงเส้นเปรียบเทียบค่อนข้างดีกับรูปแบบเครือข่ายประสาทในความถูกต้องตัดสินใจ [8]. เสื้อและ Fant รายงานดิ! erent ประสบการณ์ตัดกันหลายตรอนเครือข่ายประสาทที่มีการวิเคราะห์จำแนกเชิงเส้นสำหรับชุดของ "อาร์มีป้ายชื่อที่ทำงานหรือมีความสุขที่ได้รับ จาก Compustat สำหรับงวด 1,970} 1989 [11] พวกเขา "ครั้งที่เครือข่ายประสาทมีความถูกต้องมากกว่าจำแนกเชิงเส้นการวิเคราะห์โดยเฉพาะอย่างยิ่งในการทำนาย" อาร์ใน "ความทุกข์ทางการเงิน. Lacher et al. ใช้เสื้อและข้อมูลFant ที่จะทำนาย" ความทุกข์ทางการเงินที่มีคะแนน Z อัลท์แมนของ [15] พวกเขากล่าวว่าประสาทเครือข่ายที่พัฒนาขึ้นโดยความสัมพันธ์น้ำตกขึ้นอย่างถูกต้องคาดการณ์ "สุขภาพทางการเงินของ" RM [15] Salchenberger et al, ตรวจสอบการใช้หลายตรอนเครือข่ายประสาทที่จะทำนาย"สุขภาพทางการเงินของการออมและเงินกู้ยืม [17]. ผู้เขียนเปรียบเทียบหลายตรอนประสาทเครือข่ายที่มีรูปแบบการถดถอยโลจิสติกสำหรับชุดข้อมูล3429 S & L's ตั้งแต่เดือนมกราคม 1986 ธันวาคม 1987 พวกเขา "nd ว่ารูปแบบเครือข่ายประสาทจะดำเนินการเช่นเดียวกับหรือดีกว่าแบบการถดถอยโลจิสติกสำหรับการตั้งค่าข้อมูลแต่ละตรวจสอบ Tam เคียงและศึกษาการประยุกต์ใช้ตรอนหลายรูปแบบเครือข่ายประสาทการทำนายความล้มเหลวของธนาคารเท็กซัสในช่วงเวลา1985} 1987 [7] ความถูกต้องคาดการณ์เครือข่ายประสาทเมื่อเทียบกับจำแนกเชิงเส้นการวิเคราะห์การถดถอยโลจิสติก k เพื่อนบ้านที่ใกล้ที่สุดและการตัดสินใจรูปแบบต้นไม้ ผลของพวกเขาแสดงให้เห็นว่าหลาย Perceptron มีความถูกต้องมากที่สุดตามด้วยการวิเคราะห์จำแนกเชิงเส้นโลจิสติกการถดถอยการตัดสินใจต้นไม้และk เพื่อนบ้านที่ใกล้ที่สุด. Desai et al, [13] ตรวจสอบหลายตรอนเครือข่ายประสาทส่วนผสมของผู้เชี่ยวชาญระบบประสาทเครือข่ายวิเคราะห์จำแนกเชิงเส้นและการถดถอยโลจิสติกสำหรับเครดิตการให้คะแนนผู้สมัครในอุตสาหกรรมเครดิตยูเนี่ย วิธีการของพวกเขาประกอบด้วยการตรวจสอบข้ามสองเท่าของ "ข้อมูล ELD ที่ได้รับจากสามสหภาพเครดิตและสมมติฐานของค่าใช้จ่ายที่เท่าเทียมกันสำหรับความเสี่ยงด้านเครดิตที่ดีและไม่ดี. พวกเขาสรุปได้ว่ารูปแบบโครงข่ายประสาทเทียมมีประสิทธิภาพสูงกว่าการวิเคราะห์จำแนกเชิงเส้น แต่จะมีเพียงเล็กน้อยดีกว่าโลจิสติกรูปแบบการถดถอย. ผู้เขียนยังรายงานว่าประสาท

ผลลัพธ์ (ไทย) 3:

2 . ทำนาย 5nancial ทุกข์ : แบบจำลองโครงข่ายประสาท
American Express ใช้ระบบเครือข่ายประสาทที่พบอุบัติการณ์ของการทุจริตบัตรเครดิต
และ Lloyds Bowmaker มอเตอร์การเงินได้ใช้เครือข่ายประสาทที่ระบบการให้คะแนนเครดิต
สำหรับรถยนต์ " nancing การตัดสินใจ กระแสประสาทจากการเรียกร้องที่ระบบการให้คะแนนเครดิตเป็น
10% แม่นยำมากกว่าระบบแทน [ 18 ]การรักษาความปลอดภัยแพ็ค " C ธนาคาร ( SPB ) ยังใช้
เครือข่ายประสาทที่ฉลาดระบบการให้คะแนนเครดิตของเงินให้สินเชื่อธุรกิจขนาดเล็ก [ 18 ] ส่วนประเภท " C
ประสาทเครือข่ายแบบจำลองโดยเพิ่มคะแนนเครดิตเป็นวิธีการธรรมดา ( MLP ) ฝึก
โดย back-propagation การเรียนรู้ขั้นตอนวิธี Spb เชื่อว่าประโยชน์ของ
โครงข่ายประสาทเทียมระบบการให้คะแนน คือ การปรับปรุงฟังก์ชัน - ตัดความสามารถที่แท้จริง ) เนื่องจากรูปแบบ
รับรู้ความสามารถของโครงข่ายประสาทเทียม . พวกเขารัฐแม้การปรับปรุงเล็กใน
ความถูกต้องพยากรณ์ของโครงข่ายประสาทเทียมแบบจำลองคะแนนสินเชื่อเป็นสิ่งสำคัญ ; การปรับปรุง 1%
ความถูกต้องจะลดความสูญเสียในบริษัทขนาดใหญ่และบันทึกล้านดอลลาร์ .
เนื่องจากลักษณะที่เป็นกรรมสิทธิ์ของเครดิตคะแนน มีจำนวนเล็กน้อยของการวิจัยการรายงานประสิทธิภาพของโปรแกรมการให้คะแนนเครดิตการค้า
. การวิจัยที่มีอยู่ในวันนี้มุ่งเน้น
2 พื้นที่ทำนาย " การล้มละลาย RM และการทำนายความเสี่ยงสินเชื่อบุคคล วิจัยใน
" ระดับ RM รายงาน " ที่แรก ตามด้วยการวิจัยในระดับบุคคลของ อัลท์แมน
et al . ใช้จำแนกการวิเคราะห์ทั้งเชิงเส้นและหลายเครือข่ายประสาทวินิจฉัยองค์กรธรรมดา

" nancial ความทุกข์ 1000 RMS อิตาเลียน " [ 8 ] ผู้เขียนสรุปว่า โครงข่ายประสาทเทียม
ไม่ชัดเด่นทางเทคนิค เมื่อเทียบกับสถิติ
แบบดั้งเดิมเช่นการวิเคราะห์และการวิเคราะห์เชิงเปรียบเทียบมากกว่า
กับโครงข่ายประสาทเทียมแบบจำลองในการตัดสินความถูกต้อง [ 8 ] ตรา และแฟนต์รายงานดิ ! ประสบการณ์ erent
, ตัดกันเป็นชั้นธรรมดานิวรอล
การวิเคราะห์เชิงเส้นสำหรับชุดของ " ค่าป้ายได้หรือทุกข์ที่ได้รับจากคอมพิว ตทสำหรับระยะเวลา
1970 } 1989 [ 11 ] พวกเขา " ครั้งที่โครงข่ายประสาทเทียมมีความถูกต้องมากกว่าการวิเคราะห์
เชิงเส้นโดยเฉพาะอย่างยิ่งใน " ข้อมูล " nancial ความทุกข์ lacher et al . ใช้เสื้อ
ข้อมูลแฟนต์ทำนาย " nancial ทุกข์กับอัลท์แมน Z คะแนน [ 15 ] พวกเขารัฐว่าเครือข่ายระบบประสาท
พัฒนาความสัมพันธ์ได้ถูกต้องมากขึ้น โดยน้ำตก " สุขภาพ nancial ของ " RM
[ 15 ] salchenberger et al . ศึกษาการใช้โครงข่ายประสาทเทียมแบบหลายชั้นธรรมดา =
" สุขภาพ nancial ของเงินฝากออมทรัพย์และเงินกู้ [ 17 ] ผู้เขียนเปรียบเทียบหลายเครือข่ายประสาท
ธรรมดาด้วยการวิเคราะห์การถดถอยโลจิสติกสำหรับข้อมูลชุด 1 S & L จากมกราคม 1986
ธันวาคม 1987 พวกเขา " และว่าแบบจำลองโครงข่ายประสาทเทียมดำเนินการเช่นกันหรือดีกว่า
การวิเคราะห์การถดถอยโลจิสติกสำหรับข้อมูลแต่ละชุดตรวจสอบ ทัมและเคียง โดยประยุกต์
เป็นโครงข่ายประสาทเทียมแบบธรรมดาหลายเท็กซัสธนาคารล้มเหลวพยากรณ์ช่วงเวลา }
1985 1987 [ 7 ] โดยโครงข่ายประสาทเทียมทำนายความถูกต้องเมื่อเปรียบเทียบกับการวิเคราะห์ถดถอยแบบเชิงเส้นจำแนก
, k เพื่อนบ้านที่ใกล้ที่สุด และโครงสร้างการตัดสินใจแบบ ผลงานแนะนำ
ว่าไซส์โมซอรัส Multilayer ถูกต้องมากที่สุด รองลงมาคือ การวิเคราะห์เชิงเส้นการถดถอยโลจิสติก
,ต้นไม้ การตัดสินใจ และเพื่อนบ้านใกล้ที่สุด k .
Desai et al . [ 13 ] ตรวจสอบเครือข่ายประสาทหลายชั้นธรรมดามีส่วนผสมของผู้เชี่ยวชาญด้านประสาท
เครือข่าย การวิเคราะห์โดยตรง และการถดถอยโลจิสติกสำหรับคะแนนเครดิตผู้สมัครใน
อุตสาหกรรมสหภาพสินเชื่อ วิธีการของพวกเขาประกอบด้วยการตรวจสอบข้าม "
ข้อมูลละมั่งที่ได้จากสามสหภาพเครดิตและสมมติฐานต้นทุนเท่าเทียมกันดีและความเสี่ยงเครดิตไม่ดี .
พวกเขาสรุปได้ว่าแบบจำลองโครงข่ายประสาทเทียมดีกว่าเชิงเส้น การวิเคราะห์จำแนก แต่
เพียงเล็กน้อยดีกว่าการถดถอยโลจิสติก ผู้เขียนยังรายงานว่า ประสาท