Predicting credit rating changes using machine learning methods

Abstract

Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η πρόβλεψη αλλαγών σε πιστωτικές αξιολογήσεις εταιρικών ομολόγων. Οι αξιολογήσεις αυτές, οι οποίες δίνονται από τους οίκους αξιολόγησης, είναι πολύ σημαντικό κριτήριο αξιολόγησης της συνολικής πιστοληπτικής ικανότητας και χρησιμοποιούνται από επενδυτές, θεσμικούς φορείς και ιδρύματα. Κατά συνέπεια, η δυνατότητα πρόβλεψης αλλαγών σε αυτές είναι πολύ σημαντική στη κατάρτιση επενδυτικών σχεδίων στην αγορά ομολόγων, στη διαχείριση κινδύνου κ.α. Για την πρόβλεψη των αλλαγών αυτών, χρησιμοποιούμε παράγοντες που κατασκευάζονται από τα θεμελιώδη οικονομικά μεγέθη των εταιρειών που εκδίδουν τα ομόλογα. Η συλλογή των δεδομένων αφορά αμερικανικές εταιρείες για ένα διάστημα 20 ετών (2002-2022).Μετά την κατάλληλη επεξεργασία των δεδομένων, χρησιμοποιούμε μεθόδους εποπτευόμενης μηχανικής μάθησης. Αυτό συμβαίνει σε δυο στάδια. Στο πρώτο πραγματοποιούμε δυαδική ταξινόμηση για να προβλέψουμε αν θα υπάρξει μεταβολή σε μια αξιολόγηση ή όχι. Στο δεύτερο πραγματοποιούμε πολυκλαδική ταξινόμηση, επιχειρώντας να ανιχνεύσουμε και ακραίες μεταβολές (2 βαθμίδες ή παραπάνω) σε αξιολογήσεις.The aim of this thesis is to predict credit rating changes of corporate bonds. Credit ratings, provided by rating agencies, are a very important criterion of a company's ability to serve its debt and are widely used by investors and institutions. As a result, predicting changes in these ratings is very important in developing investment strategies in the corporate bond market, risk management etc. We use as predictive features factors derived from the fundamentals of the issuer of the bond. Data are collected for US companies for a 20-year period (2002-2022). After properly preprocessing our data, we employ supervised machine learning techniques. This is performed in two stages. First, we use binary classification to predict whether a rating will change or not. Then, using multiclass classification, we also attempt to identify extreme rating changes (2 degrees or more).