Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.
Школа финансов ВШЭ
119049 Москва, Покровский бульвар, 11,
офис S629.
Телефоны:
+7 (495) 772-95-90*27447, *27190, *27947 (по общим вопросам Школы финансов)
+7 (495) 621-91-92 (по вопросам Бизнес-образования)
+7 (495) 916-88-08 (Магистерская программа "Корпоративные финансы")
E-mail:
df@hse.ru (по общим вопросам Школы финансов),
finance@hse.ru (по вопросам Бизнес-образования)
ординарный профессор НИУ ВШЭ, доктор экономических наук, заслуженный работник высшей школы РФ
+7 495 772 95 90 (доб.27446)
+7 968 418 78 86
Школа финансов ВШЭ — лидирующий в стране центр компетенций в области корпоративных финансов, оценки стоимости, банковского дела, фондового рынка, управления рисками и страхования, учета и аудита.
Наш университет - первый в России в глобальном рейтинге "QS – World University Rankings by subject" (2022) в предметной области Accounting and Finance, а так же первый среди российских университетов в области Business & Management Studies.
The Journal of the New Economic Association. 2023.
Hanif W., Teplova T., Rodina V. et al.
Resources Policy. 2023. Vol. 85. No. B.
Dergunov I., Curatola G.
Journal of Economic Behavior and Organization. 2023. Vol. 212. P. 403-421.
Kopyrina O., Stepanova A. N.
Economic Systems. 2023. Vol. 47. No. 2.
Asian Academy of Management Journal of Accounting and Finance. 2023.
Потапов А. И., Курбангалеев М. З.
Экономический журнал Высшей школы экономики. 2023. Т. 27. № 2. С. 196-219.
Sergei Grishunin, Alesya Bukreeva, Suloeva S. B. et al.
Risks. 2023. Vol. 11. No. 1.
Alyona Astakhova, Sergei Grishunin, Gennadii Pomortsev.
Journal of Corporate Finance Research. 2023. Vol. 17. No. 1. P. 5-16.
Kokoreva M. S., Stepanova A. N., Povkh K.
Foresight and STI Governance. 2023. Vol. 17. No. 1. P. 18-32.
Макушина Е. Ю., Малофеева Т. Н., Козиорова О. И. и др.
Вестник Московского университета. Серия 6: Экономика. 2023. № 1. С. 135-163.
Russian Journal of Money and Finance. 2023. Vol. 82. No. 2. P. 106-119.
Emerging Markets Finance and Trade. 2023. Vol. 59. No. 8. P. 2710-2726.
Управление финансовыми рисками. 2023. Т. 73. № 1. С. 18-29.
Fedorova E., Ledyaeva S., Kulikova O. et al.
Risk Analysis: An International Journal. 2023. P. 1-29.
Journal of Alternative Investments. 2023. P. 00-00.
Victoria Dobrynskaya, Dubrovskiy M.
International Finance Review. 2023. Vol. 22. P. 95-111.
На вопросы корреспондента Школы финансов о содержании исследования ответил аспирант Школы финансов Косарев Владислав Романович
Какие входные данные вы используете для предсказания платежного поведения заемщика?
Для предсказания платежного поведения нужны достаточно детальные данные о ссуде, а именно количество платежей, которое вносит клиент в счёт погашения его ссуды.
Какой процент достоверности (точности) предсказания платежного поведения заемщика?
Сейчас точность предсказания довольно скромная — 45%, такие результаты никого не устраивают, но благодаря использованию более подходящих техник моделирования (finite mixture regression models) их можно улучшить. На мой взгляд, ошибка должна снизиться до 20 и менее процентов.
Вы предлагаете несколько способов применения предсказания платежного поведения заемщика, а в каком направлении на ваш взгляд есть наибольшие перспективы развития? И почему?
Первый метод, про который я рассказывал — это «в лоб» моделирование количества платежей. В ней есть очевидные преимущества — зная количество платежей можно получить все что угодно, в т.ч. точно рассчитать ожидаемый денежный поток. Недостаток здесь в том, что для моделирование такой величины стандартные эконометрические техники не подходят ввиду того, что распределение является мультимодальным.
Вторая — моделирование вероятности того, что по ссуде будет внесён 0, 1, 2, 3 и так далее платежей. В ней с точки зрения эконометрического моделирования ситуация неоднозначная. С одной стороны, достаточно использовать мультиномиальную регрессию, но с другой стороны непонятно каким количеством платежей ограничиваться — какое количество вероятностей моделировать 10 или 50?