| Form of studies |
Professional Bachelor |
| Title of the study programm |
Financial Engineering |
| Title in original language |
Kredītriska prognozēšana ar mašīnmācīšanās metodēm |
| Title in English |
Credit Risk Forecasting with Machine Learning Methods |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Konstantins Kozlovskis |
| Reviewer |
Ilze Zariņa-Cīrule |
| Abstract |
Ikviena kredītiestāde savā darbībā saskaras ar dažādiem riska veidiem. Kredītrisks ir viens no noteicošajiem riskiem, kā rezultātā kredītiestādei var rasties zaudējumi, tādēļ kredītiestādēm ir svarīgi savlaicīgi identificēt un prognozēt iespējamos kredītriska gadījumus. Bakalaura darba mērķis ir izpētīt un novērtēt mašīnmācīšanās metožu pielietojumu kredītriska prognozēšanā, salīdzinot to veiktspēju ar tradicionālo loģistisko regresiju kā bāzes modeli. Darbā izstrādāti trīs saistību neizpildes varbūtības prognozēšanas modeļi - lēmumu koks, nejaušais mežs un XGBoost. Modeļu trenēšanai un testēšanai tika izmantoti pētījumam sagatavoti dati no kādas Latvijas kredītiestādes kredītportfeļa. Modeļu veiktspēja novērtēta un salīdzināta izmantojot ROC AUC, Džini koeficientu, Kolmogorova-Smirnova statistiku, precizitāti, jutību, kā arī F1 rādītāju. Iegūtie rezultāti parāda, ka ansambļa metodes - nejaušais mežs un XGBoost uzrādīja augstāku prognozēšanas precizitāti salīdzinājumā ar loģistisko regresiju. Tiek secināts, ka mašīnmācīšanās metodes kredītiestādē vislabāk ir izmantot kā papildinošu rīku tradicionālajiem modeļiem.
Bakalaura darbā ir 60 lappuses, 25 attēli, 7 tabulas, 8 formulas, 4 pielikumi un 39 informācijas avoti. |
| Keywords |
MAŠĪNMĀCĪŠANĀS, KREDĪTRISKS, SAISTĪBU NEIZPILDE, PROGNOZĒŠANA |
| Keywords in English |
MACHINE LEARNING, CREDIT RISK, DEFAULT, FORECASTING |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
26.05.2026 20:07:46 |
