Este capítulo começa com uma introdução geral aos modelos de risco de crédito. Vamos explorar um conjunto de dados real e, em seguida, fazer o pré-processamento para deixá-lo no formato adequado antes de aplicar os modelos de risco de crédito.

Introdução e estrutura dos dados

Explorando os dados de crédito

Interpretando um CrossTable()

Histogramas e outliers

Histogramas

Outliers

Dados ausentes e classificação grosseira

Excluindo dados ausentes

Substituindo dados ausentes

Mantendo dados ausentes

Divisão de dados e matrizes de confusão

Dividindo o conjunto de dados

Criando uma matriz de confusão

Introdução e pré-processamento de dados

Chapter 1

A regressão logística ainda é um método amplamente usado na modelagem de risco de crédito. Neste capítulo, você vai aprender a aplicar modelos de regressão logística em dados de crédito no R.

Regressão logística: introdução

Regressão logística básica

Interpretando as odds para uma variável categórica

Múltiplas variáveis em um modelo de regressão logística

Interpretando níveis de significância

Regressão logística: prevendo a probabilidade de inadimplência

Prevendo a probabilidade de inadimplência

Tornando os modelos mais discriminativos

Avaliando o resultado do modelo de regressão logística

Especificando um cut-off

Comparando dois cut-offs

Encerramento e observações

Comparando funções de ligação para um cut-off dado

Regressão logística

Chapter 2

Árvores de classificação são outro método popular no universo da modelagem de risco de crédito. Neste capítulo, você vai aprender a construir árvores de classificação usando dados de crédito no R.

O que é uma árvore de decisão?

Calculando o ganho para uma árvore

Mudando um Gini...

Construindo árvores de decisão usando o pacote rpart()

Subamostrando o conjunto de treino

Alterando as probabilidades a priori

Incluindo uma matriz de perdas

Podando a árvore de decisão

Podando a árvore com probabilidades a priori alteradas

Podando a árvore com a matriz de perdas

Outras opções de árvores e a construção de matrizes de confusão

Uma última árvore usando mais opções

Matrizes de confusão e acurácia das nossas árvores finais

Otimizando a acurácia

Árvores de decisão

Chapter 3

Neste capítulo, você vai aprender como avaliar e comparar os resultados obtidos com vários modelos de risco de crédito.

Encontrando o ponto de corte ideal: a curva de estratégia

Calculando a bad rate com uma taxa de aceitação fixa

A tabela de estratégia e a curva de estratégia

Fazer tree ou não fazer tree?

A curva ROC

Curvas ROC para comparação de modelos de regressão logística

Curvas ROC para comparação de modelos baseados em árvore

Seleção de variáveis com base na AUC

Mais uma rodada de poda baseada em AUC

O melhor entre quatro

Redução adicional do modelo?

Encerramento do curso

Avaliando um modelo de risco de crédito

Chapter 4 Loan Data Chapter 1

Loan Data Chapter 2, 3 and 4

Neste curso prático, usando dados reais de crédito, você vai aprender a modelar risco de crédito aplicando regressão logística e árvores de decisão em R. Modelar o risco de crédito para empréstimos pessoais e corporativos é fundamental para os bancos. A probabilidade de um devedor entrar em inadimplência é um elemento-chave para medir o risco de crédito. Embora outros modelos também sejam apresentados, você vai aprender sobre dois tipos muito usados em credit scoring: regressão logística e árvores de decisão. Você vai ver como aplicá-los nesse contexto específico e como os bancos avaliam esses modelos.

Intermediate R for Finance

Aprenda a criar modelos para avaliar risco de crédito financeiro como um profissional.

Modelagem de Risco de Crédito em R

Aplique modelagem estatística em um cenário real para modelar risco de crédito com regressão logística e árvores de decisão.

Podando a árvore de decisão

Create Your Free Account