Kiekvieno banko viena iš pagrindinių veiklos sričių – paskolų išdavimas. Su kiekviena išduodama paskola bankas prisiima vieną svarbiausių savo veikloje rizikų – kredito riziką, kurios nuostoliai bankui gali būti labai dideli. To geriausias įrodymas – 2007 metais JAV ištikusi kredito rizikos krizė, nusidriekusi per visą pasaulį ir atnešusi milžiniškus nuostolius. Todėl kredito rizikos tikslus įvertinimas ir tinkamas valdymas yra ypatingai svarbus tiek komerciniams bankams, tiek bankus prižiūrinčioms institucijoms, kurios privalo užtikrinti stabilų finansinio sektoriaus vystymąsi. Tinkamų kredito rizikos vertinimo modelių naudojimas bankuose leidžia sumažinti kredito riziką, padidinti banko veiklos stabilumą ir patikimumą. Todėl yra aktualu išanalizuoti kredito rizikos vertinimo ir reitingavimo metodus, ir atlikus atitinkamas korekcijas pritaikyti juos Lietuvos įmonių kredito rizikai vertinti. Darbo objektas – kredito rizikos vertinimo ir kredito reitingų nustatymo modeliai. Mokslinė problema: nors kredito rizikos vertinimo ir kredito reitingų nustatymo modeliai ir metodai yra plačiai išanalizuoti ir taikomi praktikoje, tačiau visi jie yra labiau pritaikyti stambioms užsienio rinkoms, kurios reikšmingai skiriasi nuo Lietuvos rinkos, todėl egzistuoja modelio, pritaikyto konkrečiai Lietuvos rinkai, problema. Darbo tikslas – įmonių kredito rizikos vertinimo modelio, pritaikyto Lietuvos rinkai, suformulavimas. Darbą sudaro trys skyriai: teorinė, analitinė ir rezultatų. Teorinėje... [toliau žr. visą tekstą] / Issuing credits is one of the main bank’s activities. Each bank takes a credit risk by giving the credits. Credit risk is the most important risk of all and requires exceptional consideration, because potential losses caused by credit risk can be huge. If correct and accurate credit risk evaluation models are used to evaluate the credit risk, it helps to reduce the credit risk and increase the stability and reliability of the bank. That is why it is so important and topical to perform the analysis of the credit risk evaluation and credit ratings models and to make corrections for adoption these models for credit risk evaluation of Lithuanian companies. The object of this working paper – credit risk evaluation and assigning credit ratings models. The scientific problem: although credit risk evaluation and credit ratings methods and models are broadly analyzed and applied in practice, but these models are more designed for large foreign markets, which significantly differs from Lithuania’s market and because of that the problem of an adopted credit risk evaluation model for Lithuanian companies exists. The purpose of this working paper – to formulate the credit risk evaluation model adopted for Lithuanian companies. This working paper consists of three chapters: theoretical, analytical and results. In theoretical chapter risk, risk kinds, risk measurement models allowing to measure creditworthiness and assigning credit ratings models are analyzed. In analytical chapter the... [to full text]

Darbas apima banko klientų kredito istorinių duomenų dėsningumų tyrimą. Pirmiausia nagrinėjamos banko duomenų saugyklos, siekiant kuo geriau perprasti bankinius duomenis. Vėliau naudojant banko duomenų imtis, kurios apima kreditų grąžinimo istoriją, siekiama įvertinti klientų nemokumo riziką. Tai atliekama adaptuojant algoritmus bei programinę įrangą duomenų tyrimui, kuris pradedamas nuo informacijos apdorojimo ir paruošimo. Paskui pritaikant įvairius klasifikavimo algoritmus, sudarinėjami modeliai, kuriais siekiama kuo tiksliau suskirstyti turimus duomenis, nustatant nemokius klientus. Taip pat siekiant įvertinti kliento vėluojamų mokėti paskolą dienų skaičių pasitelkiami regresijos algoritmai bei sudarinėjami prognozės modeliai. Taigi darbo metu atlikus numatytus tyrimus, pateikiami duomenų vitrinų modeliai, informacijos srautų schema. Taip pat nurodomi klasifikavimo ir prognozavimo modeliai bei algoritmai, geriausiai įvertinantys duotas duomenų imtis. / This work is about analysing regularities in bank clients historical credit data. So first of all bank information repositories are analyzed to comprehend banks data. Then using data mining algorithms and software for bank data sets, which describes credit repayment history, clients insolvency risk is being tried to estimate. So first step in analyzis is information preprocessing for data mining. Later various classification algorithms is used to make models wich classify our data sets and help to identify insolvent clients as accurate as possible. Besides clasiffication, regression algorithms are analyzed and prediction models are created. These models help to estimate how long client are late to pay deposit. So when researches have been done data marts and data flow schema are presented. Also classification and regressions algorithms and models, which shows best estimation results for our data sets, are introduced.