tailieunhanh - Performance evaluation of classification algorithms in financial risks prediction

The goal of this paper is to apply three popular machine-learning techniques; Support vector machine (SVM), Decision tree (DT) and Naïve Bayes (NB) to predicting financial risks based on real-life data - Qualitative Bankruptcy, Japanese bankruptcy and Australian credit card application. | 62 Thi Phuong Trang Pham PERFORMANCE EVALUATION OF CLASSIFICATION ALGORITHMS IN FINANCIAL RISKS PREDICTION ĐÁNH GIÁ CÁC THUẬT TOÁN PHÂN LOẠI TRONG VIỆC DỰ ĐOÁN NHỮNG RỦI RO VỀ TÀI CHÍNH Thi Phuong Trang Pham The University of Danang, University of Technology and Education; ptptrang@ Abstract - Financial risks have always been the topic of interest of researchers as well as investors. Therefore, predicting financial risks in current economy is necessary. For a given dataset, selecting a suitable classifier or set of classifiers is an important task in financial risk forecast. The goal of this paper is to apply three popular machine-learning techniques; Support vector machine (SVM), Decision tree (DT) and Naïve Bayes (NB) to predicting financial risks based on real-life data - Qualitative Bankruptcy, Japanese bankruptcy and Australian credit card application. The results demonstrate that the SVM algorithm has the best and most reliable classification accuracy at , and for Qualitative Bankruptcy, Japanese bankruptcy and Australian credit card application, respectively. However, the results of two algorithms (DT and NB) also yield good accuracy for three real datasets. This work also demonstrates the effectiveness of machine learning technique in classifying financial risks. Tóm tắt - Rủi ro tài chính luôn là đề tài gây hứng thú cho các nhà nghiên cứu và những nhà đầu tư. Vì vậy, việc dự đoán những rủi ro tài chính trong nền kinh tế hiện nay là cần thiết. Và cách lựa chọn được một hay nhiều lớp phân loại là nhiệm vụ quan trọng. Mục đích bài báo này là sử dụng ba thuật toán phổ biến của phương pháp máy học; máy học vecto hỗ trợ, cây quyết định và thuật toán Naïve Bayes; để dự đoán khả năng rủi ro của ba bộ dữ liệu tài chính – sự phá sản định tính, sự phá sản tại Nhật Bản và ứng dụng thẻ tín dụng tại Úc. Kết quả cho thấy, thuật toán SVM cho kết quả phân loại tốt nhất và đáng tin cậy với độ chính xác lần lượt cho ba bộ dữ liệu sự phá .

• Ngân hàng - Tín dụng
• Financial risks
• Machine learning techniques
• Support vector machine
• Decision tree
• Naïve Bayes
• Financial risk
• Systematic risks
• Impact of financial risk
• Financial risk on systematic risks
• Long term financial risk
• Financial simulation process
• Risk management
• Financial risks management
• Lecture Financial risks management
• Quản trị rủi ro
• Quản trị rủi ro tài chính
• Managing interest rate risk
• Investment management
• Measuring portfolio risk
• Equity risk mitigation
• Modeling portfolio risk
• Exchange rates
• Currency forwards
• Managing translation
• Multinat corp monte carlo
• Managing country risk
• Retirement simulation