PředmětyPředměty(verze: 953)
Předmět, akademický rok 2023/2024
   Přihlásit přes CAS
Kreditní riziko v bankovnictví - NMFM537
Anglický název: Credit Risk in Banking
Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2022
Semestr: zimní
E-Kredity: 3
Rozsah, examinace: zimní s.:2/0, Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Stav předmětu: nevyučován
Jazyk výuky: angličtina, čeština
Způsob výuky: prezenční
Způsob výuky: prezenční
Garant: RNDr. Václav Kozmík, Ph.D.
Marek Teller
Třída: M Mgr. FPM
M Mgr. FPM > Volitelné
M Mgr. PMSE
M Mgr. PMSE > Povinně volitelné
Kategorizace předmětu: Ekonomie > Finanční ekonomie
Matematika > Finanční a pojistná matematika
Neslučitelnost : NMFP461
Záměnnost : NMFP461
Je neslučitelnost pro: NMFP461
Je záměnnost pro: NMFP461, NFAP042
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
Anotace -
Hlavní náplní přednášky jsou nejpoužívanější statistické modely pro hodnocení kreditního rizika - logistická regrese, rozhodovací stromy, metoda gradient boosting. V další části přednášky se posluchači seznámí s postupy, jak aplikovat skoringové modely v praxi, jak oceňovat riziko jednotlivých úvěrů a celých portfolií. Důraz bude kladen na propojení teoretických znalostí s postupy běžně používanými v bankovní praxi.
Poslední úprava: Zichová Jitka, RNDr., Dr. (16.05.2019)
Cíl předmětu -

Cílem přednášky je seznámit studenty se základními pojmy řízení kreditních rizik. Přednáška seznamuje s aktuálními trendy řízení kreditního rizika v praxi.

Poslední úprava: Zichová Jitka, RNDr., Dr. (16.05.2019)
Podmínky zakončení předmětu -

Vypracování domácích úkolů a ústní zkouška. Domácí úkoly obsahují tvorbu klasických i moderních prediktivních modelů na reálných datech.

Poslední úprava: Kozmík Václav, RNDr., Ph.D. (26.09.2020)
Literatura -

[1] Hosmer, David W. and Stanley Lemeshow, Applied Logistic Regression, 2nd ed., New York; Chichester, Wiley, 2000, ISBN 0-471-35632-8.

[2] Chen T. and Guestrin, C.: XGBoost: A Scalable Tree Boosting System, https://arxiv.org/abs/1603.02754

Poslední úprava: Kozmík Václav, RNDr., Ph.D. (26.09.2020)
Metody výuky -

Přednáška doprovázená slidy. K dispozici je studijní text, který pokrývá velkou část obsahu přednášky.

Poslední úprava: Kozmík Václav, RNDr., Ph.D. (27.09.2021)
Požadavky ke zkoušce -

Požadavky ke zkoušce vycházejí ze sylabu přednášky a z probrané látky. Zkouška je ústní.

Poslední úprava: Zichová Jitka, RNDr., Dr. (13.05.2019)
Sylabus -

1) Statistické modely pro hodnocení kreditního rizika - logistická regrese, rozhodovací stromy, metoda gradient boosting.

2) Aplikace skoringových modelů v praxi, oceňování rizika jednotlivých úvěrů a celých portfolií, propojení teoretických znalostí s postupy běžně používanými v bankovní praxi.

Poslední úprava: Kozmík Václav, RNDr., Ph.D. (26.09.2020)
Vstupní požadavky -

Základní znalost matematické statistiky (především lineární regrese), teorie pravděpodobnosti a matematické analýzy. Pro praktickou aplikaci probírané látky je ideální alespoň základní znalost jazyků R nebo Python.

Poslední úprava: Zichová Jitka, RNDr., Dr. (16.05.2019)
 
Univerzita Karlova | Informační systém UK