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.

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

Evaluating a credit risk model

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

De beste van vier

Kredietrisicomodellering in R

Praktische interactieve oefening