Decision Support for Credit Risk Management Using Alternative Data

Roeder, Jan

dc.contributor.advisor	Muntermann, Jan Prof. Dr.
dc.contributor.author	Roeder, Jan
dc.date.accessioned	2023-02-16T16:12:24Z
dc.date.issued	2023-02-16
dc.identifier.uri	http://resolver.sub.uni-goettingen.de/purl?ediss-11858/14521
dc.identifier.uri	http://dx.doi.org/10.53846/goediss-9721
dc.format.extent	151 Seiten	de
dc.language.iso	eng	de
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/
dc.subject.ddc	650	de
dc.title	Decision Support for Credit Risk Management Using Alternative Data	de
dc.type	doctoralThesis	de
dc.contributor.referee	Schumann, Matthias Prof. Dr.
dc.date.examination	2022-11-17	de
dc.description.abstractger	Die Digitalisierung der ökonomischen Aktivitäten von Individuen und Organisationen hat sich in den vergangenen Jahrzehnten zu einem bedeutenden Trend entwickelt. Dieser Wandel schafft Anreize für die Erhebung und die Verarbeitung von Daten, die für den Informationsbedarf unterschiedlicher Marktteilnehmer von Bedeutung sind. In vielen Fällen folgen die erfassten Daten keiner strikten Struktur mehr, da sie semi- oder sogar unstrukturiert sind. Diese Datenströme können jedoch Signale enthalten, die in etablierten Datenquellen nicht erfasst werden. Daraus ergibt sich eine Vielzahl von Anwendungsmöglichkeiten, wie der Entscheidungsprozess in verschiedenen Branchen unterstützt werden kann. Das Kreditrisikomanagement ist von dieser Entwicklung in besonderer Weise betroffen. Die Informationsasymmetrie zwischen Kreditgeber und Kreditnehmer fördert die Nachfrage nach zusätzlichen Signalen, welche die Risikobewertung verbessern können. Es handelt sich außerdem um einen Fachbereich von weitreichender Bedeutung, da die Existenz von Kreditrisiken fest in unserem Wirtschaftssystem verankert ist. Die Herausforderung bei der Nutzung alternativer Datenquellen besteht darin, aus ihnen relevante Signale zu extrahieren und diese mit dem Kreditrisiko zu verknüpfen. Da das Ziel ist, die Entscheidungsfindung zu unterstützen, sollte der gewählte Ansatz interpretierbar sein. Darüber hinaus müssen etablierte Verfahren und Erkenntnisse aus dem Bereich des Kreditrisikomanagements berücksichtigt werden. Die bisherige Forschung bietet zwar Vorschläge für die Bewältigung der entstehenden Herausforderungen, jedoch konnte noch kein einheitlicher und integrierter Ansatz gefunden und etabliert werden. Diese kumulative Dissertation untersucht die Verwendung alternativer Datenquellen zur Entscheidungsunterstützung im Kreditrisikomanagement. Die Arbeit besteht aus fünf Forschungsstudien, von denen jede zu einem der beiden folgenden Forschungsbereiche gehört. Forschungsbereich I widmet sich der Systematisierung und der Strukturierung des Themenfeldes. Zu diesem Zweck wird in der ersten Studie ein Literatur-Review durchgeführt. Dieser dient als Grundlage für die Identifizierung von Forschungslücken und ermöglicht das Ableiten einer Forschungsagenda. Die zweite Studie entwickelt eine Taxonomie, um Aspekte der Datenheterogenität hervorzuheben. Forschungsbereich II besteht aus empirischen Analysen, die untersuchen, wie alternative Daten zur Unterstützung von Entscheidungen im Rahmen des Kreditrisikomanagements genutzt werden können. Datensätze wie Analystenberichte und Finanznachrichten bilden die Grundlage für diese drei Studien. Dabei werden Text-Mining-Techniken angewandt, um Signale zu extrahieren, die zu Kreditrisikokennzahlen in Bezug gesetzt werden. Eine übergreifende Überlegung in den Studien ist die Interpretierbarkeit der angewandten Modelle, die aus den Bereichen der Statistik und des maschinellen Lernens stammen. Die Ergebnisse weisen auf einen Zusammenhang zwischen Kreditrisiko und den textbasierten Signalen hin, die aus Analystenberichten und Finanznachrichten extrahiert wurden.	de
dc.description.abstracteng	The digitization of economic activity of individuals and organizations has been a significant trend in recent decades. This shift creates incentives to collect and process data relevant to the information needs of diverse market participants. In many cases, the captured data no longer correspond to a strict structure as they are semi- or even unstructured. Such data streams may contain signals not captured in established data sources, creating a wide range of opportunities to support the decision making process in various industries. Credit risk management is positioned to be particularly impacted by this development. The information asymmetry between lender and borrower drives the demand for additional signals that can enhance risk assessment. It is also a field of far-reaching significance since the existence of credit risk is deeply embedded into our economic system. The challenge of using alternative data sources lies in extracting relevant signals and linking those to credit risk. Because the goal is to assist decision making, the chosen approach should be interpretable. Additionally, established procedures and findings from the field of credit risk management must be considered. Although existing research offers suggestions for addressing the emerging challenges, a unified and integrated approach has not yet been determined and established. This cumulative dissertation investigates the use of alternative data sources for decision support in credit risk management. The thesis consists of five research studies, each of which belongs to one of the following two research areas. Research Area I is dedicated to systematizing and structuring the subject area. For this purpose, the first study conducts a literature review. It serves as a basis for identifying research gaps and deriving a research agenda. The second study develops a taxonomy to highlight aspects of data heterogeneity. Research Area II consists of empirical analyses that examine how alternative data can be utilized to support decisions in the context of credit risk management. Data sets, such as analyst reports and financial news, represent the foundation for the three studies. Text mining techniques are applied to extract signals that are linked to credit risk measures. An overarching consideration throughout the studies is the interpretability of the applied statistical and machine learning models. The findings indicate a relationship between credit risk and the textual signals that originate from analyst reports and financial news.	de
dc.contributor.coReferee	Kolbe, Lutz M. Prof. Dr.
dc.subject.eng	Credit Risk	de
dc.subject.eng	Data-Driven Decision-Making	de
dc.subject.eng	Alternative Data	de
dc.subject.eng	Decision Support System	de
dc.subject.eng	Credit Risk Management	de
dc.subject.eng	Unstructured Data	de
dc.subject.eng	Text Mining	de
dc.subject.eng	Information Value Chain	de
dc.subject.eng	Analyst Reports	de
dc.subject.eng	Financial News	de
dc.subject.eng	Sentiment Analysis	de
dc.subject.eng	Topic Mining	de
dc.subject.eng	Sentiment Dictionary	de
dc.subject.eng	Credit Default Swap Spread	de
dc.identifier.urn	urn:nbn:de:gbv:7-ediss-14521-0
dc.date.embargoed	2024-06-01
dc.affiliation.institute	Wirtschaftswissenschaftliche Fakultät	de
dc.subject.gokfull	Wirtschaftswissenschaften (PPN621567140)	de
dc.description.embargoed	2024-06-01	de
dc.identifier.ppn	1836921551
dc.notes.confirmationsent	Confirmation sent 2023-02-17T06:15:01	de

Dateien

Name:Dissertation Roeder 2022.pdf

Größe:6.484Mb

Format:PDF

Beschreibung:Dissertation

Öffnen

Name:: Dissertation Roeder 2022.pdf
Größe:: 6.484Mb
Format:: PDF
Beschreibung:: Dissertation

Öffnen

Das Dokument erscheint in:

Wirtschaftswissenschaftliche Fakultät [300]

Zur Kurzanzeige