Three models are used to predict lo

Three models are used to predict loan loss levels. Model A is a
simple prediction model and assumes that the ratio of net loan losses (N)
to total loans in the present period t continues to hold in a future period t
+ 1. Model B uses coefficients from the estimated relationship between
net loan losses in periods t and t – 1 from the regression,
N = + N + t 0 1 t-1 t   
, where εt
is an error term, to predict future net loan
losses. Model C utilises classified loan data generated through on site
examination, categorised as doubtful, substandard or specially mentioned,
to define the level of net loan losses in period t + 1, as a linear function of
classified and unclassified loans in period t. Since the amount of losses
from unclassified loans is likely to be small, compared to losses from
classified loans, it is assumed that losses from unclassified loans are
randomly distributed and as such are captured in the error term of the
model. The coefficients are estimated from a regression equation, for the
year just prior to the forecast year. The root-mean-squared error (RMSE)
of these models indicated fairly accurate results. The findings suggest that
although the addition of current classified loan data improves the fit of
the regression model, forecasts based upon the augmented model often
yield less accurate forecasts than a simpler model employing data only on
past loans. In other words, a simple univariate model outperforms their
multivariate model

Kết quả (Việt) 1:

Ba mô hình được sử dụng để dự đoán cho vay giảm cấp độ. Mô hình A là mộtMô hình dự đoán đơn giản và giả định rằng tỷ lệ tổn thất net cho vay (N)để tất cả các khoản vay trong giai đoạn hiện nay t vẫn tiếp tục giữ trong một khoảng thời gian tương lai+ 1. Mô hình B sử dụng các hệ số từ ước mối quan hệ giữanet tổn thất cho vay trong thời gian t và t-1 từ hồi qui,N = N + t 0 1 t-1 t   , nơi εtlà một thuật ngữ lỗi, để dự đoán tương lai vay netthiệt hại. Kiểu C sử dụng dữ liệu phân loại cho vay tạo ra thông qua trên trang webkiểm tra, phân loại như là nghi ngờ, không đạt chuẩn hay đặc biệt đề cập đến,để xác định mức độ thiệt hại net cho vay trong thời gian t + 1, là một hàm tuyến tínhphân loại và không phân loại các khoản vay trong thời gian t. Kể từ khi số tiền thiệt hạitừ không phân loại các khoản vay có khả năng được nhỏ, so với thiệt hại từphân loại các khoản cho vay, người ta cho rằng thiệt hại từ không phân loại các khoản vayphân phối ngẫu nhiên và như vậy bị bắt giữ trong các thuật ngữ lỗi của cácMô hình. Các hệ số được ước tính từ một phương trình hồi qui, cho cácnăm trước năm nay dự báo. Root mean squared lỗi (Whattheschmidt)trong những mô hình chỉ ra kết quả khá chính xác. Các phát hiện này gợi ý rằngmặc dù việc bổ sung các dữ liệu phân loại cho vay hiện tại cải thiện sự phù hợp củaMô hình hồi qui, dự báo dựa trên mô hình bổ sung thường xuyênnăng suất các dự báo kém chính xác hơn so với một mô hình đơn giản sử dụng dữ liệu chỉ trênqua vay. Nói cách khác, một mô hình đơn giản véc nhanh hơn so với của họMô hình đa biến

Kết quả (Việt) 2:

Ba mẫu xe được sử dụng để dự đoán mức độ rủi ro. Model A là một
mô hình dự báo đơn giản và giả định rằng tỷ lệ tổn thất ròng vay (N)
để tổng các khoản vay trong khoảng thời gian t hiện nay vẫn tiếp tục giữ trong một tương lai thời gian t
+ 1. Mô hình B sử dụng hệ số từ các mối quan hệ giữa ước tính
tổn thất cho vay ròng trong thời gian t và t - 1 từ hồi quy,
N = + N + t 0 1 t-1 t   
, nơi εt
là một thuật ngữ lỗi, để dự đoán tương lai cho vay ròng
thua lỗ. Model C sử dụng dữ liệu cho vay phân loại được tạo ra thông qua trên trang web
kiểm tra, phân loại là đáng ngờ, kém chất lượng hoặc đặc biệt đề cập,
để xác định mức độ tổn thất cho vay ròng trong kỳ t + 1, như là một hàm tuyến tính của các
khoản cho vay được phân loại và được phân loại trong thời gian t. Kể từ khi số lỗ
từ các khoản vay không được phân loại là khả năng là nhỏ, so với khoản lỗ từ
các khoản vay được phân loại, nó được giả định rằng lỗ từ các khoản vay không được phân loại được
phân phối ngẫu nhiên và như vậy được chụp trong thời gian lỗi của
mô hình. Các hệ số được ước tính từ một phương trình hồi quy, cho
năm ngay trước năm dự báo. Các lỗi root-mean-bình phương (RMSE)
của các mô hình này cho thấy kết quả khá chính xác. Những phát hiện này cho thấy rằng
mặc dù việc bổ sung các dữ liệu cho vay được phân loại hiện cải thiện sự phù hợp của
mô hình hồi quy, dự báo dựa trên mô hình Augmented thường
mang lại những dự báo kém chính xác hơn là một mô hình đơn giản sử dụng dữ liệu chỉ có trên
các khoản vay qua. Nói cách khác, một mô hình đơn biến đơn giản nhanh hơn so với họ
mô hình đa biến