Ten rozdział zaczyna się od ogólnego wprowadzenia do modeli ryzyka kredytowego. Zapoznasz się z prawdziwym zbiorem danych, a następnie przeprowadzisz jego wstępne przetwarzanie, aby przygotować go do zastosowania modeli ryzyka kredytowego.

Wprowadzenie i struktura danych

Eksploracja danych kredytowych

Interpretowanie funkcji CrossTable()

Histogramy i wartości odstające

Histogramy

Wartości odstające

Brakujące dane i klasyfikacja zgrubna

Usuwanie brakujących danych

Zastępowanie brakujących danych

Zachowywanie brakujących danych

Podział danych i macierze pomyłek

Podział zbioru danych

Tworzenie macierzy pomyłek

Wprowadzenie i przetwarzanie danych

Chapter 1

Regresja logistyczna jest nadal szeroko stosowaną metodą w modelowaniu ryzyka kredytowego. W tym rozdziale nauczysz się, jak stosować modele regresji logistycznej na danych kredytowych w R.

Regresja logistyczna: wprowadzenie

Podstawy regresji logistycznej

Interpretacja ilorazów szans dla zmiennej kategorycznej

Wiele zmiennych w modelu regresji logistycznej

Interpretacja poziomów istotności

Regresja logistyczna: przewidywanie prawdopodobieństwa niewywiązania się ze zobowiązań

Przewidywanie prawdopodobieństwa niewywiązania się ze zobowiązań

Tworzenie bardziej dyskryminujących modeli

Ocena wyników modelu regresji logistycznej

Określanie progu odcięcia

Porównanie dwóch progów odcięcia

Podsumowanie i uwagi

Porównanie funkcji łącza dla danego punktu odcięcia

Regresja logistyczna

Chapter 2

Drzewa klasyfikacyjne to kolejna popularna metoda w dziedzinie modelowania ryzyka kredytowego. W tym rozdziale nauczysz się, jak budować drzewa klasyfikacyjne na podstawie danych kredytowych w R.

Czym jest drzewo decyzyjne?

Obliczanie zysku dla drzewa

Zmiana jednego współczynnika Giniego...

Budowanie drzew decyzyjnych za pomocą pakietu rpart()

Undersampling zbioru treningowego

Zmiana prawdopodobieństw a priori

Uwzględnianie macierzy strat

Przycinanie drzewa decyzyjnego

Przycinanie drzewa ze zmienionymi prawdopodobieństwami a priori

Przycinanie drzewa z użyciem macierzy strat

Inne opcje drzewa i budowanie macierzy pomyłek

Ostatnie drzewo z dodatkowymi opcjami

Macierze pomyłek i dokładność naszych końcowych drzew

Optymalizacja dokładności

Drzewa decyzyjne

Chapter 3

W tym rozdziale dowiesz się, jak oceniać i porównywać wyniki uzyskane za pomocą różnych modeli ryzyka kredytowego.

Wybór optymalnego progu odcięcia: krzywa strategii

Obliczanie wskaźnika złych kredytów dla ustalonego współczynnika akceptacji

Tabela strategii i krzywa strategii

Drzewo czy nie drzewo?

Krzywa ROC

Krzywe ROC do porównania modeli regresji logistycznej

Krzywe ROC do porównania modeli drzewiastych

Dobór zmiennych wejściowych na podstawie AUC

Kolejna runda przycinania na podstawie AUC

Najlepszy z czterech

Czy model można jeszcze uprościć?

Podsumowanie kursu

Ocena modelu ryzyka kredytowego

Chapter 4 Loan Data Chapter 2, 3 and 4

Loan Data Chapter 1

Ten praktyczny kurs oparty na rzeczywistych danych kredytowych nauczy cię, jak modelować ryzyko kredytowe za pomocą regresji logistycznej i drzew decyzyjnych w R. Modelowanie ryzyka kredytowego – zarówno dla pożyczek osobistych, jak i firmowych – ma kluczowe znaczenie dla banków. Prawdopodobieństwo niewywiązania się dłużnika ze zobowiązań jest podstawowym składnikiem pomiaru ryzyka kredytowego. W kursie omówimy kilka podejść, ze szczególnym naciskiem na dwa typy modeli powszechnie stosowane w scoringu kredytowym: regresję logistyczną i drzewa decyzyjne. Dowiesz się, jak je stosować w tym konkretnym kontekście oraz jak banki oceniają skuteczność takich modeli.

Intermediate R for Finance

Naucz się tworzyć modele do oceny ryzyka kredytowego jak profesjonalista.

Modelowanie ryzyka kredytowego w R

Stosuj modelowanie statystyczne w praktyce, używając regresji logistycznej i drzew decyzyjnych do modelowania ryzyka kredytowego.

Podział danych i macierze pomyłek

Create Your Free Account