Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/83093
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPittipol Kantavat-
dc.contributor.authorNapasorn Thavichaigarn-
dc.contributor.otherChulalongkorn University. Faculty of Engineering-
dc.date.accessioned2023-08-04T07:36:16Z-
dc.date.available2023-08-04T07:36:16Z-
dc.date.issued2022-
dc.identifier.urihttps://cuir.car.chula.ac.th/handle/123456789/83093-
dc.descriptionThesis (M.Sc.)--Chulalongkorn University, 2022-
dc.description.abstractCorporate 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.abstractalternativeการจัดอันดับเครดิตองค์กรมีบทบาทสำคัญในการลดข้อมูลที่ไม่สมมาตรระหว่างนักลงทุนและผู้กู้ 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.isoen-
dc.publisherChulalongkorn University-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2022.97-
dc.rightsChulalongkorn University-
dc.titleCorporate credit rating prediction using deep learning-
dc.title.alternativeการทำนายเครดิตเรทติ้งของบริษัทโดยใช้การเรียนรู้เชิงลึก-
dc.typeThesis-
dc.degree.nameMaster of Science-
dc.degree.levelMaster's Degree-
dc.degree.disciplineComputer Science-
dc.degree.grantorChulalongkorn University-
dc.identifier.DOI10.58837/CHULA.THE.2022.97-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6370140121.pdf1.21 MBAdobe PDFView/Open


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