Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/83093
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Pittipol Kantavat | - |
dc.contributor.author | Napasorn Thavichaigarn | - |
dc.contributor.other | Chulalongkorn University. Faculty of Engineering | - |
dc.date.accessioned | 2023-08-04T07:36:16Z | - |
dc.date.available | 2023-08-04T07:36:16Z | - |
dc.date.issued | 2022 | - |
dc.identifier.uri | https://cuir.car.chula.ac.th/handle/123456789/83093 | - |
dc.description | Thesis (M.Sc.)--Chulalongkorn University, 2022 | - |
dc.description.abstract | Corporate credit rating has an important role in reducing asymmetric information between investors and borrowers and assisting investors as a signal of the entities’ performance and creditworthiness for making appropriate investment decisions in a company’s assets. The economic distress has negatively affected various businesses and resulted in company rating transitions. This led to a problem in adjusting investment strategy and a serious loss as there is a lack of time between officially announced credit rating transitions and real transition. This study provides alternative methods for credit rating prediction by applying machine learning models; Support Vector Machine (SVM), Linear Regression, and Deep Neural Network (DNN). The result has shown that the Deep Neural Network model presents the comparable performance to other models. | - |
dc.description.abstractalternative | การจัดอันดับเครดิตองค์กรมีบทบาทสำคัญในการลดข้อมูลที่ไม่สมมาตรระหว่างนักลงทุนและผู้กู้ และช่วยเหลือนักลงทุนโดยแสดงถึงของประสิทธิภาพในการดำเนินธุรกิจและความน่าเชื่อถือขององค์กร เพื่อให้นักลงทุนสามารถตัดสินใจลงทุนในสินทรัพย์ของบริษัทได้อย่างเหมาะสม สถานการณ์ทางเศรษฐกิจได้ส่งผลลบต่อภาคธุรกิจต่างๆ และยังส่งผลให้อันดับเครดิตของบริษัทเกิดการเปลี่ยนแปลง ทำให้เกิดปัญหาในการปรับกลยุทธ์การลงทุนและนำไปสู่การขาดทุน เนื่องจากมีช่องว่างระหว่างระยะเวลาในการประกาศการเปลี่ยนแปลงอันดับเครดิตอย่างเป็นทางการและการเปลี่ยนแปลงอันดับเครดิตจริง งานวิจัยนี้นำเสนอทางเลือกในการทำนายอันดับเครดิตโดยใช้โมเดลการเรียนรู้ด้วยเครื่อง เช่น Support Vector Machine (SVM), Linear Regression และ Deep Neural Network (DNN) ผลลัพธ์ที่ได้แสดงให้เห็นว่าโมเดล Deep Neural Network นำเสนอประสิทธิภาพได้ดีเทียบเท่ากับโมเดลการเรียนรู้อื่น | - |
dc.language.iso | en | - |
dc.publisher | Chulalongkorn University | - |
dc.relation.uri | http://doi.org/10.58837/CHULA.THE.2022.97 | - |
dc.rights | Chulalongkorn University | - |
dc.title | Corporate credit rating prediction using deep learning | - |
dc.title.alternative | การทำนายเครดิตเรทติ้งของบริษัทโดยใช้การเรียนรู้เชิงลึก | - |
dc.type | Thesis | - |
dc.degree.name | Master of Science | - |
dc.degree.level | Master's Degree | - |
dc.degree.discipline | Computer Science | - |
dc.degree.grantor | Chulalongkorn University | - |
dc.identifier.DOI | 10.58837/CHULA.THE.2022.97 | - |
Appears in Collections: | Eng - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
6370140121.pdf | 1.21 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.