Detailansicht
Statistische Analyse des Ausfallrisikos von Firmenkunden im Leasinggeschäft
Christian Pfeiffer
Art der Arbeit
Magisterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Betreuer*in
Erhard Reschenhofer
DOI
10.25365/thesis.33515
URN
urn:nbn:at:at-ubw:1-30274.43787.887570-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
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.
Abstract
(Englisch)
This Master’s thesis deals with the statistical analysis of default risks in corporate leasing agreements. The aim of this study is to identify relevant criteria concerning default risk in leasing agreements and to develop an alternative model to existing standardized scoring schemes. Data is provided by an Austrian leasing company. New contracts from 2011 have been collected and viewed in a one-year-period for default. Data analysis is done with classification tasks established in credit scoring. An ensemble method is additionally given.
The results show a higher default risk for clients coming from regions 2 and 3, making their business in branch 3 with legal status 6 or 7. Furthermore, a short-term duration of business relationship to the client leads to a higher default risk.
With respect to contract design, financing of machines yields a superior default risk. Purpose of financing is to purchase comparatively costly second hand objects with terms from five to six years. As a substantial result, lease financing leads to default rather than hire-purchasing.
The naïve Bayes classifier outperforms the other individual classifiers in terms of predicting accuracy and specificity. The decision tree appears to be the worst regarding those two key figures. Logistic regression and support vector machines achieved the best values concerning sensitivity, whereas the naïve Bayes classifier appears at last. The ensemble could not attain the expected optimization of predicting accuracy. Regarding sensitivity, the ensemble measured up to the best individual classifiers, whereas it fell short of the naïve Bayes classifier in terms of predicting accuracy and specificity.
Schlagwörter
Schlagwörter
(Englisch)
default risk classification ensemble learning leasing
Schlagwörter
(Deutsch)
Ausfallrisiko Klassifikation Ensemble Learning Leasing
Autor*innen
Christian Pfeiffer
Haupttitel (Deutsch)
Statistische Analyse des Ausfallrisikos von Firmenkunden im Leasinggeschäft
Publikationsjahr
2014
Umfangsangabe
91 S. : graph. Darst.
Sprache
Deutsch
Beurteiler*in
Erhard Reschenhofer
AC Nummer
AC11818041
Utheses ID
29774
Studienkennzahl
UA | 066 | 951 | |