Det här kapitlet börjar med en allmän introduktion till kreditriskmodeller. Vi utforskar ett verkligt dataset och förbehandlar det så att det har rätt format innan vi tillämpar kreditriskmodellerna.

Introduktion och datastruktur

Utforska kreditdata

Tolka en CrossTable()

Histogram och extremvärden

Histogram

Avvikande värden

Saknade värden och grov klassificering

Ta bort saknade värden

Ersätta saknade värden

Hantera saknade värden

Datauppdelning och förväxlingsmatriser

Dela upp datamängden

Skapa en förväxlingsmatris

Introduktion och dataförbehandling

Chapter 1

Logistisk regression används fortfarande i stor utsträckning inom kreditriskmodellering. I det här kapitlet lär du dig hur du tillämpar logistiska regressionsmodeller på kreditdata i R.

Logistisk regression: introduktion

Grundläggande logistisk regression

Tolka oddsen för en kategorisk variabel

Flera variabler i en logistisk regressionsmodell

Tolka signifikansnivåer

Logistisk regression: att förutsäga sannolikheten för betalningsinställelse

Förutsäga sannolikheten för fallissemang

Bygga mer diskriminerande modeller

Utvärdering av logistisk regressionsmodell

Ange ett gränsvärde

Jämföra två tröskelvärden

Sammanfattning och avslutande kommentarer

Jämförelse av länkfunktioner för ett givet tröskelvärde

Logistisk regression

Chapter 2

Klassificeringsträd är en annan populär metod inom kreditriskmodellering. I det här kapitlet lär du dig hur du bygger klassificeringsträd med kreditdata i R.

Vad är ett beslutsträd?

Beräkna vinsten för ett träd

Ändra ett Gini-värde...

Bygg beslutsträd med paketet rpart()

Undersampling av träningsdata

Ändra a priori-sannolikheterna

Inkludera en förlustmatris

Beskärning av beslutsträdet

Beskärning av trädet med ändrade förhandssannolikheter

Beskärning av trädet med förlustmatrisen

Andra trädalternativ och konstruktion av förväxlingsmatriser

Ett sista träd med fler alternativ

Förvirringsmatriser och noggrannhet för våra slutliga träd

Optimera noggrannheten

Beslutsträd

Chapter 3

I det här kapitlet lär du dig hur du kan utvärdera och jämföra resultaten från flera olika kreditriskmodeller.

Hitta rätt gränsvärde: strategikurvan

Beräkna andelen dåliga lån för en given acceptansgrad

Strategitabellen och strategikurvan

Träd eller inte träd?

ROC-kurvan

ROC-kurvor för jämförelse av logistiska regressionsmodeller

ROC-kurvor för jämförelse av trädbaserade modeller

Val av indatavariabler baserat på AUC

Ytterligare en omgång beskärning baserat på AUC

Bäst av fyra

Ytterligare modellreduktion?

Kursavslutning

Utvärdering av en kreditriskmodell

Chapter 4 Loan Data Chapter 2, 3 and 4

Loan Data Chapter 1

Den här praktiska kursen med verkliga kreditdata lär dig att modellera kreditrisk med logistisk regression och beslutsträd i R. Kreditriskmodellering för både privatlån och företagslån är av stor vikt för banker. Sannolikheten att en låntagare inte återbetalar sitt lån är en central komponent för att mäta kreditrisk. Utöver andra modeller som presenteras i kursen får du lära dig om två modelltyper som ofta används inom kreditbedömning: logistisk regression och beslutsträd. Du lär dig hur de används i det här sammanhanget och hur banker utvärderar dem.

Intermediate R for Finance

Lär dig skapa modeller för att utvärdera finansiell kreditrisk som ett proffs.

Kreditriskmodellering i R

Lär dig modellera kreditrisk med logistisk regression och besluts­träd i praktiska, verkliga scenarier.

Tillämpad finansiering i R

Kvantitativ analytiker  i R

Manager of Data Science Curriculum at Flatiron School

Logistisk regression: att förutsäga sannolikheten för fallissemang

Ett exempel med "age" och "home ownership"

Exempel från testmängden

Göra förutsägelser i R

Nu kör vi en övning!

Logistisk regression - Logistisk regression: att förutsäga sannolikheten för betalningsinställelse

Logistisk regression: att förutsäga sannolikheten för betalningsinställelse

Create Your Free Account