As a consequence from the last financial crisis that began 2007 in USA, regulatory frameworks are continuously improved in order to limit the banks’ risk exposure. Two of the amendments are Basel III and IFRS 9. Basel III regulates the capital a bank is required to hold while IFRS 9 is an accounting standard for how banks and insurance companies should classify their assets and estimate their future credit losses. Mutually for both Basel III and IFRS 9 is the estimation of future credit losses which include probability of default in the calculations.The objective of this thesis was therefore to develop scoring model that can estimate the probability of default in lending capital to enterprises based on information from financial statements. The aim is that the developed model also can be used in the daily operations to reduce fixed costs by optimizing the processes and increase the profit on each loan issued. The model should estimate probability of default within 500 days from the last known information and be customized for small and medium size enterprises.The model is based on logistic regression and is therefore returning values between 0 and 1. Parameters that the model consists of can either be calculated or retrieved directly from financial statements. The authors have during the development of the model divided the data, consisting of information from enterprises, based on branches. The grouping of data has been performed to create as homogenous sets of data as possible in order to increase the degree of explanation for each model. The final solution will thus consist of several models, one for each set of data. The validation of the models is performed, on a new set of enterprises where it is observed how well the models can discriminate enterprises defined as defaults from non-defaults.The master thesis did result in a number of models that are calibrated on default, non-defaults and models developed on data divided on branches. By using the calibrated models, it is possible to discriminate defaulting from non-defaulting enterprises which has been the objective of this thesis. During the project the importance of dividing data into homogenous groups has been shown in order to better create models that more accurately can identify defaults from non-defaults. / Som en konsekvens av finanskrisen som började 2007 i USA tillkom ytterligare regelverk för att minimera bankers riskexponering. Två av de regelverk som tillkommit är Basel III och IFRS 9. Basel III reglerar kapitaltäckningen för en bank medan IFRS 9 är en standard för hur banker och försäkringsbolag skall klassificera tillgångar samt estimera framtida kreditförluster. Gemensamt för de båda regelverken är estimeringen av kreditförluster som bland annat baseras på risken för fallissemang.Målet med detta examensarbete är därför att utveckla en scoringmodell som kan estimera risken för fallissemang vid utlåning till företag baserat på information från dess årsredovisningar. Modellen kommer även kunna användas i den operativa verksamheten för att reducera fasta kostnaderna genom att effektivisera processer och då öka avkastningen på varje utlånad krona. Modellen kommer att estimera risken för fallissemang inom 500 dagar från senast kända informationen och den kommer att anpassas till svenska små och medelstora företag.Modellen är baserad på logistisk regression och kommer därför att returnera värden mellan 0 och 1 samt bestå av parametrar som antingen kan beräknas eller hämtas direkt ur en årsredovisning. För att öka modellens förklaringsgrad har författarna vid kalibreringen av modellerna delat in datat efter branscher. Uppdelningen har gjorts för att skapa så homogena grupper som möjligt och lösningen kommer därför att bestå av flera olika modeller. Validering av modellerna sker genom att på nytt data testa hur bra företag som definierats som fallissemang kan diskrimineras från företag som inte definieras som fallissemang.Rapporten resulterar i ett antal modeller som är baserade på konkurser, icke konkurser samt modeller baserade på ett data som är uppdelat på branscher. Genom att använda de kalibrerade modellerna så går det att diskriminera konkurser från icke konkurser vilket varit målet med denna rapport. Arbetet har också påvisat vikten av att dela in datat i homogena grupper för att på ett bättre sätt skapa modeller som mer exakt kan urskilja konkurser från icke konkurser.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:umu-137317 |
Date | January 2017 |
Creators | Mustafa, Khalil, Persson, Victor |
Publisher | Umeå universitet, Institutionen för matematik och matematisk statistik, Umeå universitet, Institutionen för matematik och matematisk statistik |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds