This chapter begins with a general introduction to credit risk models. We'll explore a real-life data set, then preprocess the data set such that it's in the appropriate format before applying the credit risk models.

Introduction and data structure

Exploring the credit data

Interpreting a CrossTable()

Histograms and outliers

Histograms

Outliers

Missing data and coarse classification

Deleting missing data

Replacing missing data

Keeping missing data

Data splitting and confusion matrices

Splitting the data set

Creating a confusion matrix

Introduction and data preprocessing

Chapter 1

Logistic regression is still a widely used method in credit risk modeling. In this chapter, you will learn how to apply logistic regression models on credit data in R.

Logistic regression: introduction

Basic logistic regression

Interpreting the odds for a categorical variable

Multiple variables in a logistic regression model

Interpreting significance levels

Logistic regression: predicting the probability of default

Predicting the probability of default

Making more discriminative models

Evaluating the logistic regression model result

Specifying a cut-off

Comparing two cut-offs

Wrap-up and remarks

Comparing link functions for a given cut-off

Logistic regression

Chapter 2

Classification trees are another popular method in the world of credit risk modeling. In this chapter, you will learn how to build classification trees using credit data in R.

What is a decision tree?

Computing the gain for a tree

Changing one Gini...

Building decision trees using the rpart()-package

Undersampling the training set

Changing the prior probabilities

Including a loss matrix

Pruning the decision tree

Pruning the tree with changed prior probabilities

Pruning the tree with the loss matrix

Other tree options and the construction of confusion matrices

One final tree using more options

Confusion matrices and accuracy of our final trees

Optimizing the accuracy

Decision trees

Chapter 3

In this chapter, you'll learn how you can evaluate and compare the results obtained through several credit risk models.

Trovare la soglia giusta: la curva di strategia

Calcolare un bad rate dato un tasso di accettazione fisso

La tabella di strategia e la curva di strategia

Albero o non albero?

La curva ROC

Curve ROC per confrontare modelli di regressione logistica

Curve ROC per confrontare i modelli basati su alberi

Selezione delle variabili in base all'AUC

Un altro giro di potatura basato sull’AUC

Il migliore dei quattro

Ridurre ancora il modello?

Chiusura del corso

Evaluating a credit risk model

Chapter 4 Loan Data Chapter 1

Loan Data Chapter 2, 3 and 4

Questo corso pratico, basato su dati reali sul credito, ti insegnerà a modellare il rischio di credito usando la regressione logistica e gli alberi decisionali in R. Per le banche è fondamentale modellare il rischio di credito sia per i prestiti personali sia per quelli alle imprese. La probabilità che un debitore vada in default è un elemento chiave per misurare il rischio di credito. Pur presentando anche altri modelli, in questo corso ti concentrerai su due tipologie molto utilizzate nel credit scoring: la regressione logistica e gli alberi decisionali. Imparerai a usarle in questo contesto specifico e a capire come le banche valutano questi modelli.

Intermediate R for Finance

Impara a creare modelli per valutare il rischio di credito finanziario come un professionista.

Credit Risk Modeling in R

Usa la modellazione statistica in un contesto reale con la regressione logistica e gli alberi decisionali per modellare il rischio di credito.

Finanza applicata in R

Analista quantitativo  in R

Il migliore dei quattro

Credit Risk Modeling in R

Esercizio pratico interattivo