Kiugró értékek kezelése logisztikus regresszión alapuló csődelőrejelzési modellek esetén

Abstract

A banki nemfizetési kockázatok kezelésének elsődleges eszköze a potenciális ügyfelek hitelminősítése. Jelen tanulmány fókuszában a hitelezői scorecardok 95%-ának elkészítésekor is alkalmazott logisztikus regresszió módszere áll. A kutatás célja annak meghatározása, hogy a kiugró adatokra rendkívül érzékeny módszer alkalmazása során a kiugró értékek kezelése mennyire javítja a modellek besorolási pontosságát, valamint, hogy a kiugró értékek kezelésének mely módszere eredményezi a legmagasabb besorolási pontosságot. Továbbá, hogy egy olyan minta esetében, amely nem egyenlő arányban tartalmaz fizetőképes és fizetésképtelen vállalkozásokat, milyen szempontok alapján kell meghatározni a modellek cut-off értékét. Az elemzés egy 1677 építőipari vállalkozásból álló mintán került lefolytatásra. A kapott eredmények alapján a kiugró értékek kezelése jelentősen javítja a modellek előrejelző-képességét, a kiugró értékek kezelésére a kiugró értékek helyettesítése a hozzájuk legközelebb eső, nem kiugró értékkel bizonyult a leghatékonyabbnak. A cut-off meghatározása esetén a legmagasabb besorolási pontosságot eredményező érték használata nem megfelelő, hiszen ez az elsőfajú hibák arányának megnövekedéséhez vezethet. Ennek az értéknek az optimalizációja attól függhet, hogy az adott pénzintézet milyen mértékű hitelezési kockázatot vállal a kihelyezett hiteleinek portfóliójában.