Dit hoofdstuk start met een algemene introductie in kredietrisicomodellen. We verkennen een echte gegevensset en bereiden die vervolgens voor zodat het juiste formaat ontstaat voordat we de kredietrisicomodellen toepassen.

Introductie en datastructuur

De kredietgegevens verkennen

Een CrossTable() interpreteren

Histogrammen en uitschieters

Histogrammen

Uitschieters

Ontbrekende data en grove classificatie

Missende gegevens verwijderen

Ontbrekende gegevens vervangen

Ontbrekende data behouden

Data splits en verwarringsmatrices

De gegevensset splitsen

Een confusion matrix maken

Introductie en gegevensvoorbewerking

Chapter 1

Logistische regressie is nog steeds een veelgebruikte methode in kredietrisicomodellering. In dit hoofdstuk leer je hoe je logistische regressiemodellen toepast op kredietdata in R.

Logistische regressie: introductie

Basis logistieke regressie

De odds interpreteren voor een categorische variabele

Meerdere variabelen in een logistisch regressiemodel

Significantieniveaus interpreteren

Logistische regressie: de kans op wanbetaling voorspellen

De kans op wanbetaling voorspellen

Meer onderscheidende modellen maken

Het resultaat van het logistieke regressiemodel evalueren

Een cut-off instellen

Twee drempelwaardes vergelijken

Afronding en opmerkingen

Koppelfuncties vergelijken voor een gegeven cut-off

Logistische regressie

Chapter 2

Classificatiebomen zijn een andere populaire methode in de wereld van kredietrisicomodellering. In dit hoofdstuk leer je hoe je classificatiebomen bouwt met kredietdata in R.

Wat is een beslisboom?

De gain voor een boom berekenen

Eén Gini aanpassen...

Beslissingsbomen bouwen met het rpart()-pakket

Undersampling van de trainingsset

De prior-kansen aanpassen

Een verliesmatrix opnemen

De beslisboom snoeien

De boom snoeien met aangepaste voorafkansen

De boom snoeien met de verliesmatrix

Andere boomopties en het opstellen van verwarringsmatrices

Eén laatste tree met meer opties

Confusion matrices en nauwkeurigheid van onze definitieve bomen

De accuracy optimaliseren

Beslissingsbomen

Chapter 3

In dit hoofdstuk leer je hoe je de resultaten van verschillende kredietrisicomodellen kunt evalueren en vergelijken.

De juiste cut-off kiezen: de strategy curve

Een bad rate berekenen bij een vast acceptatiepercentage

De strategietabel en strategiecurve

To tree or not to tree?

De ROC-curve

ROC-curves om logistische regressiemodellen te vergelijken

ROC-curves om boommodellen te vergelijken

Invoerselectie op basis van de AUC

Nog een ronde snoeien op basis van AUC

De beste van vier

Nog verder model reduceren?

Cursusafsluiting

Een kredietrisicomodel evalueren

Chapter 4 Loan Data Chapter 1

Loan Data Chapter 2, 3 and 4

In deze praktijkgerichte cursus met echte kredietdata leer je hoe je kredietrisico modelleert met logistische regressie en beslissingsbomen in R. Het modelleren van kredietrisico voor zowel particuliere als zakelijke leningen is van groot belang voor banken. De kans dat een debiteur in gebreke blijft is een essentieel onderdeel om tot een maat voor kredietrisico te komen. Naast andere modellen die ook aan bod komen, leer je twee veelgebruikte modeltypen binnen credit scoring: logistische regressie en beslissingsbomen. Je leert hoe je ze in deze context toepast en hoe banken deze modellen evalueren.

Intermediate R for Finance

Leer modellen maken om financieel kredietrisico als een professional te evalueren.

Kredietrisicomodellering in R

Gebruik statistische modellen in de praktijk met logistische regressie en beslissingsbomen om kredietrisico's te modelleren.

Toegepaste financiën in R

Kwantitatief analist  in R

Eén Gini aanpassen...

Kredietrisicomodellering in R

Interactieve oefening met praktijkervaring