asma feki - Academia.edu (original) (raw)

Related Authors

Noel B. Salazar

Massimo Leone

Naim Kapucu

Oliver P Richmond

Louis de Saussure

Cor Baerveldt

Armando Marques-Guedes

Kalevi Kull

Noe Cornago

Noe Cornago

University of the Basque Country, Euskal Herriko Unibertsitatea

John Sutton

Uploads

Papers by asma feki

Research paper thumbnail of Sélection de variables pour la classification multiclasse : Comparaisons et applicaion à la discrimination des banques selon le taux des prêts non performants

42èmes Journées de Statistique, 2010

ABSTRACT Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus impor... more ABSTRACT Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus important dans le secteur bancaire tunisien. La classification des banques selon leur niveau des PNP semble alors cruciale pour les autorités de supervision locales afin de prendre les actions correctives adéquates. Dans cette étude, nous comparons trois méthodes de classification différentes, à savoir: les réseaux de neurones, les machines à vecteurs supports multiclasses et le classifieur bayésien sous l'hypothèse de normalité. Nous utilisons des données spécifiques aux dix banques commerciales tunisiennes collectées sur une période de sept ans, de 2000 à 2006. Il s'agit de vingt huit facteurs de risque appartenant au rating CAMELS. Ces facteurs sont ordonnés selon leur importance et sélectionnés en utilisant des algorithmes de sélection de variables. La comparaison des trois méthodes utilisées montre une légère suprématie des machines à vecteurs supports multiclasses.

Research paper thumbnail of Feature selection using Bayesian and multiclass Support Vector Machines approaches: Application to bank risk prediction

Expert Systems with Applications, 2012

This paper presents methods of banks discrimination according to the rate of NonPerforming Loans ... more This paper presents methods of banks discrimination according to the rate of NonPerforming Loans (NPLs), using Gaussian Bayes models and different approaches of multiclass Support Vector Machines (SVM). This classification problem involves many irrelevant variables and comparatively few training instances. New variable selection strategies are proposed. They are based on Gaussian marginal densities for Bayesian models and ranking scores derived from multiclass SVM. The results on both toy data and real-life problem of banks classification demonstrate a significant improvement of prediction performance using only a few variables. Moreover, Support Vector Machines approaches are shown to be superior to Gaussian Bayes models.

Research paper thumbnail of A discriminating study between three categories of banks based on statistical learning approaches

Intelligent Data Analysis, Sep 18, 2016

This work addresses the problem of knowledge extraction within the banking domain using statistic... more This work addresses the problem of knowledge extraction within the banking domain using statistical learning systems. Our main goal is to assess the power of the accounting ratios to discriminate between Islamic, mixed and conventional banks in the Gulf Cooperation Council (GCC) region. To this end, we have used the two popular statistical learning methods, namely Support Vector Machines (SVM) and Random Forests (RF). An intensive comparative study is performed between them for the purpose of variable ranking and selection within a nonlinear multiclass framework. The experiments conducted on different simulated datasets and on the real dataset show that RF are slightly better than SVM. In the real application, we had recourse to the financial semantics based on experts' domain knowledge to decide between the competitive approaches. The results show the importance of the mutual financial information between some ratios to distinguish between the three categories of banks. Moreover, we have demonstrated that mixed banks are more akin to conventional ones. Finally, it was shown that RF are more robust to the selection bias problem and classification accuracy is slightly improved by the ratios selection.

Research paper thumbnail of Sélection de variables pour la classification multiclasse : Comparaisons et applicaion à la discrimination des banques selon le taux des prêts non performants

Le volume eleve des Prets Non Performants (PNP) reste toujours le probleme le plus important dans... more Le volume eleve des Prets Non Performants (PNP) reste toujours le probleme le plus important dans le secteur bancaire tunisien. La classification des banques selon leur niveau des PNP semble alors cruciale pour les autorites de supervision locales afin de prendre les actions correctives adequates. Dans cette etude, nous comparons trois methodes de classification differentes, a savoir: les reseaux de neurones, les machines a vecteurs supports multiclasses et le classifieur bayesien sous l'hypothese de normalite. Nous utilisons des donnees specifiques aux dix banques commerciales tunisiennes collectees sur une periode de sept ans, de 2000 a 2006. Il s'agit de vingt huit facteurs de risque appartenant au rating CAMELS. Ces facteurs sont ordonnes selon leur importance et selectionnes en utilisant des algorithmes de selection de variables. La comparaison des trois methodes utilisees montre une legere suprematie des machines a vecteurs supports multiclasses.

Research paper thumbnail of A discriminating study between three categories of banks based on statistical learning approaches

Intelligent Data Analysis, 2016

Research paper thumbnail of Sélection de variables pour la classification multiclasse : Comparaisons et applicaion à la discrimination des banques selon le taux des prêts non performants

Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus important dans... more Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus important dans le secteur bancaire tunisien. La classification des banques selon leur niveau des PNP semble alors cruciale pour les autorités de supervision locales afin de prendre les actions correctives adéquates. Dans cette étude, nous comparons trois méthodes de classification différentes, à savoir: les réseaux de neurones, les machines à vecteurs supports multiclasses et le classifieur bayésien sous l'hypothèse de normalité. Nous utilisons des données spécifiques aux dix banques commerciales tunisiennes collectées sur une période de sept ans, de 2000 à 2006. Il s'agit de vingt huit facteurs de risque appartenant au rating CAMELS. Ces facteurs sont ordonnés selon leur importance et sélectionnés en utilisant des algorithmes de sélection de variables. La comparaison des trois méthodes utilisées montre une légère suprématie des machines à vecteurs supports multiclasses.

Research paper thumbnail of Sélection de variables pour la classification multiclasse : Comparaisons et applicaion à la discrimination des banques selon le taux des prêts non performants

42èmes Journées de Statistique, 2010

ABSTRACT Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus impor... more ABSTRACT Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus important dans le secteur bancaire tunisien. La classification des banques selon leur niveau des PNP semble alors cruciale pour les autorités de supervision locales afin de prendre les actions correctives adéquates. Dans cette étude, nous comparons trois méthodes de classification différentes, à savoir: les réseaux de neurones, les machines à vecteurs supports multiclasses et le classifieur bayésien sous l'hypothèse de normalité. Nous utilisons des données spécifiques aux dix banques commerciales tunisiennes collectées sur une période de sept ans, de 2000 à 2006. Il s'agit de vingt huit facteurs de risque appartenant au rating CAMELS. Ces facteurs sont ordonnés selon leur importance et sélectionnés en utilisant des algorithmes de sélection de variables. La comparaison des trois méthodes utilisées montre une légère suprématie des machines à vecteurs supports multiclasses.

Research paper thumbnail of Feature selection using Bayesian and multiclass Support Vector Machines approaches: Application to bank risk prediction

Expert Systems with Applications, 2012

This paper presents methods of banks discrimination according to the rate of NonPerforming Loans ... more This paper presents methods of banks discrimination according to the rate of NonPerforming Loans (NPLs), using Gaussian Bayes models and different approaches of multiclass Support Vector Machines (SVM). This classification problem involves many irrelevant variables and comparatively few training instances. New variable selection strategies are proposed. They are based on Gaussian marginal densities for Bayesian models and ranking scores derived from multiclass SVM. The results on both toy data and real-life problem of banks classification demonstrate a significant improvement of prediction performance using only a few variables. Moreover, Support Vector Machines approaches are shown to be superior to Gaussian Bayes models.

Research paper thumbnail of A discriminating study between three categories of banks based on statistical learning approaches

Intelligent Data Analysis, Sep 18, 2016

This work addresses the problem of knowledge extraction within the banking domain using statistic... more This work addresses the problem of knowledge extraction within the banking domain using statistical learning systems. Our main goal is to assess the power of the accounting ratios to discriminate between Islamic, mixed and conventional banks in the Gulf Cooperation Council (GCC) region. To this end, we have used the two popular statistical learning methods, namely Support Vector Machines (SVM) and Random Forests (RF). An intensive comparative study is performed between them for the purpose of variable ranking and selection within a nonlinear multiclass framework. The experiments conducted on different simulated datasets and on the real dataset show that RF are slightly better than SVM. In the real application, we had recourse to the financial semantics based on experts' domain knowledge to decide between the competitive approaches. The results show the importance of the mutual financial information between some ratios to distinguish between the three categories of banks. Moreover, we have demonstrated that mixed banks are more akin to conventional ones. Finally, it was shown that RF are more robust to the selection bias problem and classification accuracy is slightly improved by the ratios selection.

Research paper thumbnail of Sélection de variables pour la classification multiclasse : Comparaisons et applicaion à la discrimination des banques selon le taux des prêts non performants

Le volume eleve des Prets Non Performants (PNP) reste toujours le probleme le plus important dans... more Le volume eleve des Prets Non Performants (PNP) reste toujours le probleme le plus important dans le secteur bancaire tunisien. La classification des banques selon leur niveau des PNP semble alors cruciale pour les autorites de supervision locales afin de prendre les actions correctives adequates. Dans cette etude, nous comparons trois methodes de classification differentes, a savoir: les reseaux de neurones, les machines a vecteurs supports multiclasses et le classifieur bayesien sous l'hypothese de normalite. Nous utilisons des donnees specifiques aux dix banques commerciales tunisiennes collectees sur une periode de sept ans, de 2000 a 2006. Il s'agit de vingt huit facteurs de risque appartenant au rating CAMELS. Ces facteurs sont ordonnes selon leur importance et selectionnes en utilisant des algorithmes de selection de variables. La comparaison des trois methodes utilisees montre une legere suprematie des machines a vecteurs supports multiclasses.

Research paper thumbnail of A discriminating study between three categories of banks based on statistical learning approaches

Intelligent Data Analysis, 2016

Research paper thumbnail of Sélection de variables pour la classification multiclasse : Comparaisons et applicaion à la discrimination des banques selon le taux des prêts non performants

Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus important dans... more Le volume élevé des Prêts Non Performants (PNP) reste toujours le problème le plus important dans le secteur bancaire tunisien. La classification des banques selon leur niveau des PNP semble alors cruciale pour les autorités de supervision locales afin de prendre les actions correctives adéquates. Dans cette étude, nous comparons trois méthodes de classification différentes, à savoir: les réseaux de neurones, les machines à vecteurs supports multiclasses et le classifieur bayésien sous l'hypothèse de normalité. Nous utilisons des données spécifiques aux dix banques commerciales tunisiennes collectées sur une période de sept ans, de 2000 à 2006. Il s'agit de vingt huit facteurs de risque appartenant au rating CAMELS. Ces facteurs sont ordonnés selon leur importance et sélectionnés en utilisant des algorithmes de sélection de variables. La comparaison des trois méthodes utilisées montre une légère suprématie des machines à vecteurs supports multiclasses.

Log In