| Abstract [eng] |
Development, adoption and application of Support Vector Machines based algorithms are important for artificial intelligence, machine learning and computational sciences, as well as different fields. This problem is widely researched and developed in various levels, both theoretical and applications, by performing research In different domains. The presented thesis is dedicated to research of intelligent credit risk evaluation and bankruptcy prediction techniques based on SVM. This work presents developed hybrid particle swarm optimization and linear SVM based classifier, together with sliding window testing approach based method for problem domain, experimental research in credit risk domain, using real USA EDGAR database data of more than 9300 companies. Performed experimental research showed that proposed classification technique can produce comparative results compared to similar SVM based classification methods using heuristic optimization. A framework for intelligent decision support system for credit risk evaluation including proposed techniques, together with model driven development methodology, model for XBRL financial standard integration, development scenario is also presented. Atraminių vektorių mašinų pagrindu sukurtų algoritmų tobulinimas, adaptavimas bei naujų kūrimas yra aktualus tiek visam dirbtinio intelekto, skaičiavimo ir modeliavimo mokslui, tiek ir atskiroms sritims. Ši problema plačiai tiriama ir vystoma įvairiais lygmenimis, tiek teoriniu, tiek ir praktiniu, šiuos metodus tiriant įvairiose probleminėse srityse. Pristatoma disertacija skirta intelektinių kredito rizikos vertinimo bei bankrotų prognozavimo metodų, grindžiamų SVM metodais, tyrimui. Atliktame darbe pateikiamas sukurtas hibridinis spiečiaus optimizavimu ir tiesiniais SVM metodais grindžiamas klasifikavimo metodas bei šiuo klasifikavimo metodu bei slenkančio lango testavimo principu grindžiamas metodas probleminei sričiai, pristatomi jo pagrindu atlikti tyrimai kredito rizikos vertinimo srityje, naudojant realius JAV EDGAR finansinės duomenų bazės duomenis, apimančius daugiau nei 9300 kompanijų. Atlikti tyrimai parodė, kad siūlomas klasifikavimo metodas gali parodyti panašius ar geresnius rezultatus, lyginant su panašiais, SVM grindžiamais, optimizuotais tiesiniais ir netiesiniais klasifikavimo metodais. Kartu pateikiama intelektualios sprendimų paramos sistemos, skirtos probleminei kredito rizikos vertinimo sričiai, struktūra kartu su jos modeliais grindžiama kūrimo metodika, XBRL finansinio standarto integravimo modeliu, galimu realizavimo scenarijumi. |
