Pisut selle aasta lõputöödest: kindlustus- ja finantsmatemaatika magistriõpe

Matemaatika ja statistika instituudis kaitsti edukalt kindlustus- ja finantsmatemaatika magistriõppekaval kaks tööd. Kaitsjateks olid Margus Kodasma ja Grayson Steven Felt. Loe lähemalt allpool. 

Kaitsmine toimus 11. juunil. Palju õnne töö edukalt kaitsnutele!

Margus Kodasma töötas välja kinnisvara indekseerimismudeli, mille eesmärk on tagada automaatselt tagatiste täpne turuväärtuse hindamine, mis on täpse riskihinnangu jaoks väga oluline. Üheks oluliseks väljakutseks oli andmete puudulikkusega tegelemine, eriti väiksemates segmentides või maakondades, kus on vähem kvartaalseid tehinguid. Selle probleemi lahendamiseks valiti puuduvate andmepunktide asendamiseks optimaalseks meetodiks kvaasi-Poissoni jaotusega üldistatud lineaarne mudel (GLM), mis võimaldab hiljem täiendatud andmeid klastritesse paigutada. Klasterdamine viidi läbi, et analüüsida agregeeritud tehinguandmeid kõigis viieteistkümnes Eesti maakonnas, keskendudes maakonnapaaridele, mille hinnadünaamika oli sarnane. Pärast mudelite väljatöötamist välise agregeeritud hinnastatistika põhjal kasutati mudeli täpsuse hindamiseks tagatiste ümberhindamise sisemistel andmetel keskmist absoluutset protsentuaalset viga (Mean Absolute Percentage Error). Uuringu abil loodud mudel leiab loodetavasti laialdast kasutamist pangas portfelli krediidiriski hindamiseks.

Grayson Steven Felt uuris XGBoost algoritmi kohaldamist laenude makseviivituse prognoosimiseks, eesmärgiga parandada krediidiriski juhtimist täiustatud masinõppe tehnikate abil. Töö algas ülevaatega masinõppe põhimõistetest, nagu kahjufunktsioonid ja puupõhised mudelid, mis viisid gradient boostingu ja XGBoost'i põhjaliku uurimiseni. Peamised aspektid hõlmasid XGBoosti objektiivset funktsiooni, optimeerimisprotsessi ja hüperparameetreid. Kasutades Bondora andmekogumit, viis läbi põhjaliku andmete eeltöötluse ja hüperparameetrite häälestamise koos ruudustikuotsingu ja ristvalideerimisega. Tulemused näitasid XGBoosti tõhusust keeruliste, reaalsete andmete käsitlemisel, parandades oluliselt prognoositavat täpsust. Uuring rõhutas keerukate algoritmide tähtsust finantsprognoosimise analüüsi edendamisel.