Please use this identifier to cite or link to this item: http://hdl.handle.net/20.500.11790/554
Title: Statistische Analyse des Ausfallrisikos von Firmenkunden im Leasinggeschäft
Authors: Pfeiffer, Christian 
Keywords: Ausfallrisiko;Klassifikation;Ensemble Learning;Leasing
Issue Date: Jun-2014
Abstract: Die vorliegende Magisterarbeit beschäftigt sich mit der statistischen Analyse des Ausfallrisikos von Firmenkunden im Leasinggeschäft. Das Ziel dieser Arbeit ist, leasingrelevante Risikomerkmale zu erkennen und ein alternatives Modell zu den vorhandenen standardisierten Ratingverfahren zu entwickeln. Dazu wurde ein Datensatz einer österreichischen Leasinggesellschaft verwendet. Sämtliche Neuverträge aus dem Jahr 2011 wurden erhoben und ein Jahr lang hinsichtlich Zahlverhalten der Leasingnehmer beobachtet. Die Datenauswertung erfolgte mit bewährten Methoden zur Klassifikation im Kreditrisikobereich. Auch eine Ensemblemethode wurde ergänzend zur Anwendung gebracht. Die Ergebnisse zeigen ein erhöhtes Ausfallrisiko bei Kunden mit Rechtsformen 6 und 7, welche in der Branche 3 ihrer Geschäftstätigkeit nachgehen und in den Regionen 2 und 3 ihren Firmensitz haben. Eine kurze Geschäftsverbindung mit dem Kunden kann ebenso mit einem höheren Ausfallrisiko verbunden werden. Bei der Vertragsgestaltung werden Finanzierungen von Maschinen als besonders ausfallgefährdet erkannt. Zweck der Finanzierungen ist die Anschaffung gebrauchter und vergleichsweise teurer Objekte mit einer Laufzeit von fünf bis sechs Jahren. Ein wesentliches Resultat zur Vertragsgestaltung ist, dass Leasingfinanzierungen eher Ausfälle liefern als Mietkauffinanzierungen. Bei den individuellen Klassifikatoren konnte die Naïve Bayes Methode die besten Kennzahlen hinsichtlich Treffergenauigkeit und Spezifität erzielen. Der Entscheidungsbaum erreichte die schwächsten Werte in diesen beiden Kategorien. Die Logistische Regressionsanalyse und die Support Vektor Maschinen konnten die besten Sensitivitätswerte vorweisen. In diesem Vergleich liegt der Naïve Bayes Klassifikator an letzter Stelle. Die erhoffte Optimierung der Vorhersagequalität durch das Ensemble konnte nicht geliefert werden. Das Ensemble kam zwar auf denselben Sensitivitätswert wie die besten individuellen Klassifikatoren, hinsichtlich Trefferquote und Spezifität wurde das Ensemble jedoch vom Naïve Bayes Klassifikator übertroffen.
URI: http://othes.univie.ac.at/33515/
http://hdl.handle.net/20.500.11790/554
DOI: 10.25365/thesis.33515
Rights: info:eu-repo/semantics/closedAccess
Appears in Collections:Schwerpunkt Markt- & Sozialforschung

SFX Query Show full item record

Page view(s) 20

398
Last Week
1
Last month
7
checked on Jun 15, 2021

Google ScholarTM

Check

Altmetric

Altmetric
Dimensions


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.