Dieses Kapitel startet mit einer allgemeinen Einführung in Kreditrisikomodelle. Wir schauen uns einen Datensatz aus der Praxis an und bereiten ihn dann so vor, dass er im passenden Format vorliegt, bevor wir die Kreditrisikomodelle anwenden.

Einführung und Datenstruktur

Den Kreditdatensatz erkunden

Eine CrossTable() interpretieren

Histogramme und Ausreißer

Histogramme

Ausreißer

Fehlende Daten und grobe Klassifizierung

Fehlende Daten löschen

Fehlende Daten ersetzen

Fehlende Daten beibehalten

Datensplitting und Konfusionsmatrizen

Den Datensatz aufteilen

Eine Konfusionsmatrix erstellen

Einführung und Datenvorverarbeitung

Chapter 1

Die logistische Regression ist nach wie vor eine weit verbreitete Methode in der Kreditrisikomodellierung. In diesem Kapitel lernst du, wie du logistische Regressionsmodelle in R auf Kreditdaten anwendest.

Logistische Regression: Einführung

Einfache logistische Regression

Quoten für eine kategoriale Variable interpretieren

Mehrere Variablen in einem logistischen Regressionsmodell

Signifikanzniveaus interpretieren

Logistische Regression: die Ausfallwahrscheinlichkeit vorhersagen

Vorhersage der Ausfallwahrscheinlichkeit

Modelle mit höherer Trennschärfe erstellen

Bewertung der Ergebnisse des logistischen Regressionsmodells

Einen Cut-off festlegen

Zwei Cut-offs vergleichen

Zusammenfassung und Hinweise

Vergleich von Link-Funktionen für einen gegebenen Cut-off

Logistische Regression

Chapter 2

Klassifikationsbäume sind eine weitere beliebte Methode in der Kreditrisikomodellierung. In diesem Kapitel lernst du, wie du mit Kreditdaten in R Klassifikationsbäume erstellst.

Was ist ein Entscheidungsbaum?

Den Gain für einen Baum berechnen

Einen Gini ändern...

Entscheidungsbäume mit dem Paket rpart() erstellen

Undersampling des Trainingssatzes

Ändern der Prior-Wahrscheinlichkeiten

Eine Verlustmatrix einbeziehen

Den Entscheidungsbaum beschneiden

Baum stutzen mit geänderten Priorwahrscheinlichkeiten

Beschneiden des Baums mit der Verlustmatrix

Weitere Tree-Optionen und das Erstellen von Konfusionsmatrizen

Ein letztes Baummodell mit mehr Optionen

Konfusionsmatrizen und Genauigkeit unserer finalen Bäume

Die Accuracy optimieren

Entscheidungsbäume

Chapter 3

In diesem Kapitel lernst du, wie du die Ergebnisse mehrerer Kreditrisikomodelle bewertest und miteinander vergleichst.

Den richtigen Cut-off finden: die Strategy Curve

Bad Rate bei gegebener Acceptance Rate berechnen

Die Strategietabelle und die Strategie­kurve

To tree or not to tree?

Die ROC-Kurve

ROC-Kurven zum Vergleich logistischer Regressionsmodelle

ROC-Kurven zum Vergleich baumbasierter Modelle

Eingabeauswahl basierend auf der AUC

Noch eine Runde Pruning auf Basis der AUC

Best of four

Weitere Modellreduktion?

Kursabschluss

Bewertung eines Kreditrisikomodells

Chapter 4 Loan Data Chapter 2, 3 and 4

Loan Data Chapter 1

In diesem praxisnahen Kurs mit echten Kreditdaten lernst du, wie du Kreditrisiken mit logistischer Regression und Entscheidungsbäumen in R modellierst. Das Modellieren von Kreditrisiken für Privat- und Firmenkredite ist für Banken von zentraler Bedeutung. Die Wahrscheinlichkeit, dass ein Schuldner ausfällt, ist ein Schlüsselelement, um das Kreditrisiko zu quantifizieren. Neben weiteren Modellen, die ebenfalls kurz vorgestellt werden, lernst du zwei Modelltypen kennen, die im Credit-Scoring häufig eingesetzt werden: logistische Regression und Entscheidungsbäume. Du erfährst, wie du sie in diesem Kontext nutzt und wie Banken diese Modelle bewerten.

Intermediate R for Finance

Lernen Sie, Modelle zur Bewertung von Kreditrisiken wie ein Profi zu erstellen.

Kreditrisikomodellierung in R

Statistische Modellierung praktisch anwenden: Mit Logistic Regression und Decision Trees Kreditrisiko modellieren.

Angewandte Finanzen in R

Quantitativer Analyst  in R

Manager of Data Science Curriculum at Flatiron School

Weitere Baumoptionen und das Erstellen von Konfusionsmatrizen

Weitere interessante `rpart()`-Argumente

Vorhersagen mit dem Entscheidungsbaum treffen

Lass uns üben!

Entscheidungsbäume - Weitere Tree-Optionen und das Erstellen von Konfusionsmatrizen

Weitere Tree-Optionen und das Erstellen von Konfusionsmatrizen

Create Your Free Account