主要内容

probdefault

给定数据集的默认可能性

折叠所有页面

语法

pd = probdefault (sc)
pd = probdefault (sc、数据)

描述

例子

pd=默认值(sc）计算的违约概率sc，用于构建creditscorecard对象

例子

pd=默认值(sc，数据）计算使用可选参数指定的给定数据集的默认概率数据．

默认情况下，用于构建creditscorecard使用对象。您还可以提供输入数据，对其应用相同的违约概率计算。

例子

全部折叠

打开实时脚本

创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。

负载CreditCardDatasc = creditscorecard(数据,“IDVar”，“CustID”）
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]

使用默认选项执行自动分类。默认情况下,autobinning使用单调算法。

sc=自动绕线（sc）；

合适的模型。

sc = fitmodel (sc);
1.加上CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08添加TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06添加AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601增加EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257 5。添加CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306添加ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078广义线性回归模型:状态~[7个预测因子中8项的线性公式]分布=二项式估计系数:Estimate SE tStat pValue ________ ________ ______ __________ (Intercept) 0.70239 0.064001 10.975 5.0538e-28 CustAge 0.60833 0.24932 2.44 0.014687 ResStatus 1.377 0.65272 2.1097 0.034888 EmpStatus 0.88565 0.293 3.0227 0.0025055 CustIncome 0.70164 0.21844 3.2121 0.0013179 TmWBank 1.1074 0.23271 4.7589 1.9464e-06 OtherCC 1.0883 0.52912 2.0569 0.039696AMBalance 1.045 0.32214 3.2439 0.0011792 1200 observations, 1192 error degrees of freedom Dispersion: 1 Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16

计算违约概率。

pd=probdefault（sc）；disp（pd（1:15，：））
0.2503 0.1878 0.3173 0.1711 0.1895 0.1307 0.5218 0.2848 0.2612 0.3047 0.3418 0.2237 0.2793 0.3615 0.1653
打开实时脚本

这个例子描述了丢失数据的赋值“BinMissingData”选项设置为真的，以及相应的违约概率计算。

  • 训练集中缺少数据的预测值有一个明确的bin在最后的记分卡上有相应的分数。这些点数是根据证据权重(WOE)值计算的bin和逻辑模型系数。出于评分目的，这些分数被分配给缺失值和超出范围的值，并且最终分数被映射到使用时的默认概率probdefault．

  • 训练集中没有缺失数据的预测器没有缺失数据bin，因此不能从训练数据中估计出WOE。默认情况下，缺失值和超出范围值的点被设置为南，这导致得分为南跑步时分数．对于没有明确的预测器Bin，使用name-value参数“失踪”在formatpoints指示为评分目的应如何处理缺失数据。然后，在使用probdefault．

创建一个creditscorecard对象使用CreditCardData.mat文件来加载dataMissing用缺失值。

负载CreditCardData.mat头(dataMissing, 5)
ans =5×11表CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位  ______ _______ ___________ ___________ _________ __________ _______ _______ _________ ________ ______ 53 62 <定义>未知50000 55是的1055.9 - 0.22 0 2 61 22业主雇佣52000 25是的1161.6 - 0.24 0 3 47 30租户雇佣了37000 61877.23 0.29 0 4 NaN 75自雇业主53000 20是157.37 0.08 0 5 68 56自雇业主53000 14是561.84 0.11 0

使用creditscorecard使用name-value参数“BinMissingData”设置为真的将丢失的数字或类别数据装入单独的容器中。应用自动装箱。

sc = creditscorecard (dataMissing,“IDVar”，“CustID”，“BinMissingData”,真正的);sc = autobinning (sc);disp (sc)
creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 1 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]

将最小值设置为0为保管和CustIncome．这样，任何负年龄或收入信息都将失效或“超出范围”。对于评分和默认计算的概率，超出范围的值与缺失值给出相同的分数。

sc = modifybins (sc,“CustAge”，“MinValue”, 0);sc = modifybins (sc,“CustIncome”，“MinValue”, 0);

显示的数字数据的仓位信息“CustAge”包括在单独的容器中丢失的数据．

bi=bininfo（sc，“CustAge”)；disp（bi）
（UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU46）“172891.9326-0.04556 0.0004549{'[46,48'}59 25 2.36 0.15424 0.0016199{'[48,51'}99 41 2.4146 0.17713 0.0035449{”[51,58）}15762.53230.224690.0088407{'[58，Inf]}93253.720.609310.032198{'}1911.7273-0.15787 0.00063885{'Totals'}8033972.0227 NaN 0.087112

显示的分类数据的bin信息“ResStatus”包括在单独的容器中丢失的数据．

bi=bininfo（sc，“ResStatus”)；disp（bi）
Bin Good Bad Odds WOE InfoValue ______________ _____________ _________ __________ {'Tenant'} 296 161 1.8385 -0.095463 0.0035249 {'Home Owner'} 352 171 2.0585 0.017549 0.00013382 {'Other'} 128 52 2.4615 0.19637 0.0055808 {''} 27 13 2.0769 0.026469 2.3248e-05 {' total '} 803 397 2.0227 NaN 0.0092627

为“CustAge”和“ResStatus”预测者，有缺失的数据(南年代和<定义>)，对于这些预测器中的缺失数据，分箱过程估计出的WOE值分别为-0.15787和0.026469，如上所示。

为EmpStatus和CustIncome由于训练数据中没有这些预测器的缺失值，因此没有明确的缺失值存放。

bi=bininfo（sc，“EmpStatus”)；disp（bi）
本好不好悲哀InfoValue几率  ____________ ____ ___ ______ ________ _________ {' 未知的}396 239 1.6569 -0.19947 0.021715{“雇佣”}407 158 2.5759 0.2418 0.026323{“总数”}803 397 0.048038 2.0227南
bi=bininfo（sc，“CustIncome”)；disp（bi）
本好不好悲哀InfoValue几率  _________________ ____ ___ _______ _________ __________ {'[ 0, 29000)} 53 58 0.91379 -0.79457 0.06364{[29000、33000)}74年49 1.5102 -0.29217 0.0091366{[33000、35000)的36}68 1.8889 -0.06843 0.00041042{[35000、40000)的}193 98 1.9694 -0.026696 0.00017359{[40000、42000)}68 2 -0.011271 - 1.0819 e-05 34{'[42000,47000)'} 164 66 2.4848 0.20579 0.0078175 {'[47000,Inf]'} 183 56 3.2679 0.47972 0.041657 {' total '} 803 397 2.0227 NaN 0.12285

使用fitmodel使用证据权重（WOE）数据拟合逻辑回归模型。fitmodel使用自动装箱过程中找到的箱子，在内部将所有预测变量转换为WOE值。fitmodel然后使用逐步方法(默认)拟合逻辑回归模型。对于缺少数据的预测器，有一个明确的bin，并根据数据计算出相应的WOE值。使用fitmodel，则在进行WOE转换时，应用 bin对应的WOE值。

[sc，mdl]=fitmodel（sc）；
1.加上CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08添加TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06添加AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601增加EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257 5。加CustAge, Deviance = 1442.8477, Chi2Stat = 4.4974731, PValue = 0.033944979添加ResStatus, Deviance = 1438.9783, Chi2Stat = 3.86941, PValue = 0.049173805广义线性回归模型:status ~[7个预测因子中8项的线性公式]Distribution = Binomial Estimated Coefficients:Estimate SE tStat pValue ________ ________ ______ __________ (Intercept) 0.70229 0.063959 10.98 4.7498e-28 CustAge 0.57421 0.25708 2.2335 0.025513 ResStatus 1.3629 0.66952 2.0356 0.04179 EmpStatus 0.88373 0.2929 3.0172 0.002551 CustIncome 0.73535 0.2159 3.406 0.00065929 TmWBank 1.1065 0.23267 4.7556 1.9783e-06 OtherCC 1.0648 0.52826 2.0156 0.043841AMBalance 1.0446 0.32197 3.2443 0.0011775 1200 observations, 1192 error degrees of freedom Dispersion: 1 Chi^2-statistic vs. constant model: 88.5, p-value = 2.55e-16

通过“点数、几率和几率加倍(PDO)”方法来衡量记分卡点数“PointsOddsAndPDO”论据formatpoints．假设你想要获得500分的概率是2(好的概率是坏的概率的两倍)，概率每50分翻一倍(所以550分的概率是4)。

显示显示在拟合模型中保留的预测器按比例缩放的点数的记分卡。

sc = formatpoints (sc,“PointsOddsAndPDO”, (500 2));PointsInfo = displaypoints (sc)
PointsInfo =38×3表预测本点  _____________ ______________ ______ {' CustAge’}{[0,33)的54.062}{‘CustAge}{[33岁,37)的56.282}{‘CustAge}{[37、40)的60.012}{‘CustAge}{[40岁,46)的69.636}{‘CustAge}{[46岁,48)的77.912}{‘CustAge}{[48, 51)的78.86}{‘CustAge}{[51岁,58)的80.83}{‘CustAge}{[58岁的Inf]的}96.76{‘CustAge}{< >失踪的}64.984 {'EmpStatus'} {'EmpStatus'} {'Home Owner'} 73.248 {'ResStatus'} {'Other'} 90.828 {'ResStatus'} {''} 74.125 {'EmpStatus'} {'Unknown'} 58.807 {'EmpStatus'} {'Employed'} 86.937 {'EmpStatus'} {''}⋮

注意这个点本为保管和雷斯塔特斯显式显示(如64.9836和74.1250分别)。这些点是根据<缺失> bin的WOE值和logistic模型系数计算出来的。

对于训练集中没有丢失数据的预测器，没有显式的 bin。默认情况下，这些点被设置为南因为缺少数据，他们会导致南跑步时分数．对于没有显式 bin的预测器，使用name-value参数“失踪”在formatpoints以指示如何处理缺失的数据进行评分。

为了便于说明，从原始数据中选取几行作为测试数据，并引入一些缺失的数据。还引入了一些无效或超出范围的值。对于数字数据，低于允许的最小值（或高于最大值）的值被视为无效，例如年龄为负值（回忆）“MinValue”之前已为设置为0保管和CustIncome）.对于分类数据，无效值是没有显式地包含在记分卡中的类别，例如，以前没有映射到记分卡类别的居住状态，如“House”，或没有意义的字符串，如“abc123”。

tdata = dataMissing (11:18 mdl.PredictorNames);%仅在模型中保留预测值%设置一些缺少的值tdata.CustAge(1) =南;tdata.ResStatus (2) =“”；tdata.EmpStatus (3) =“”；tdata.CustIncome(4) =南;%设置一些无效的值tdata.CustAge (5) = -100;tdata.ResStatus (6) =“房子”；tdata.EmpStatus（7）=“自由职业者”；tdata.CustIncome (8) = 1;disp (tdata)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance  _______ ___________ ___________ __________ _______ _______ _________ 南租户未知34000 44是的119.8 48 <定义>未知44000 14是的403.62 65房主<定义> 48000年6没有其它未知南35 111.88 44 436.41 -100其他雇用了46000名16是的162.21 33家36000 36 Yes 845.02 39 Tenant Freelancer 34000 40 Yes 756.26 24 Home Owner Employed -1 19 Yes 449.61

为新数据打分，并查看如何为缺失数据分配分数保管和雷斯塔特斯，因为我们有一个带有点的显式bin．然而,对于EmpStatus和CustIncome的分数函数将点设置为南．相应的违约概率也被设置为南．

(分数,分)=分数(sc tdata);disp(分数)
481.2231 520.8353 NaN NaN 551.7922 487.9588 NaN NaN
disp(分)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 64.984 62.138 58.807 67.893 61.858 75.622 89.922 78.86 74.125 58.807 82.439 61.061 75.622 89.922 96.76 73.248 NaN 96.969 51.132 50.914 89.922 69.636 90.828 58.807 61.858 50.914 89.922 64.984 90.828 86.937 82.43961.061 75.622 89.922 56.282 74.125 86.937 70.107 61.858 75.622 63.028 60.012 62.138 NaN 67.893 61.858 75.622 63.028 54.062 73.248 86.937
pd = probdefault (sc, tdata);disp (pd)
0.3934 0.2725 NaN 0.1961 0.3714 NaN

使用name-value参数“失踪”在formatpoints选择如何为没有显式指示的预测器的缺失值分配点箱子在本例中，使用“明点”选择“失踪”论点。最低分数EmpStatus在上面显示的记分卡中58.8072，及CustIncome最低分数为29.3753。所有行现在都有一个分数和相应的违约概率。

sc = formatpoints (sc,“失踪”，“明点”）;(分数,分)=分数(sc tdata);disp(分数)
481.2231 520.8353 517.7532 451.3405 551.7922 487.9588 449.3577 470.2267
disp(分)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 64.984 62.138 58.807 67.893 61.858 75.622 89.922 78.86 74.125 58.807 82.439 61.061 75.622 89.922 96.76 73.248 58.807 96.969 51.132 50.914 89.922 69.636 90.828 58.807 29.375 61.858 50.914 89.922 64.984 90.828 86.93782.439 61.061 75.622 89.922 56.282 74.125 86.937 70.107 61.858 75.622 63.028 60.012 62.138 58.807 67.893 61.858 75.622 63.028 54.062 73.248 86.937 29.375 61.061 75.622 89.922
pd = probdefault (sc, tdata);disp (pd)
0.3934 0.2725 0.2810 0.4954 0.1961 0.3714 0.5022 0.4304

输入参数

全部折叠

信用记分卡模型，指定为creditscorecard对象。若要创建此对象，请使用creditscorecard．

（可选）应用默认规则概率的数据集，指定为MATLAB®表，其中每行对应于单个观察值。数据必须包含表中每个预测值的列creditscorecard对象

数据类型:表格

输出参数

全部折叠

违约概率，返回为NumObs-借-1默认概率的数值数组。

更多关于

全部折叠

违约概率

在未按比例计算分数之后(见计算和缩放分数的算法)，则得分为“好”的概率为:

ProbGood = 1。/ (1 + exp (-UnscaledScores))

因此，违约概率为

pd=1-良好

工具书类

[1] Refaat, M。信用风险记分卡：使用SAS开发和实施。露露网，2011年。

另请参阅

|||||||||||||

主题

R2015a中引入

金融工具的文档

万博1manbetx

用MATLAB建模财务风险的实用指南

用MATLAB建模财务风险的实用指南

下载电子书