fitLifetimePDModel

创建指定一生PD模型对象类型

自从R2020b

语法

ModelType pdModel = fitLifetimePDModel(数据)

pdModel = fitLifetimePDModel (___、名称、值)

描述

pdModel= fitLifetimePDModel (数据,ModelType)创建一个一生违约概率(PD)模型对象指定的数据和ModelType。fitLifetimePDModel在面板数据形式的信贷数据,适合一辈子PD模型。ModelType支持万博1manbetx物流,Probit,或考克斯。

例子

pdModel= fitLifetimePDModel (___,名称,值)指定选项使用一个或多个名称-值对参数除了输入参数在前面的语法。可用的可选名称-值对参数取决于指定的ModelType。

例子

全部折叠

创建物流一生PD模型

打开生活的脚本

这个例子展示了如何使用fitLifetimePDModel创建一个物流模型使用信用卡和宏观经济数据。

加载数据

加载信贷投资组合数据。

负载RetailCreditPanelData.matdisp(头(数据))

ID ScoreGroup小无赖默认年__ __________ ___ ____ ____ 1低风险1 0 1998 1997 1低风险2 0 1低风险1999 1低风险4 0 0 2001 2000 1低风险5 0 1低风险6 0 2002 1低风险7 0 2003 1低风险8 0 2004

disp(头(dataMacro))

1998年国内生产总值__专攻市场1997 2.72 - 7.61 3.57 - 26.24 1999 2.86 2001 18.1 2000 2.43 3.19 1.26 -10.51 2002 -0.59 2004 -22.95 2003 0.63 - 2.78 1.85 - 9.48

加入到一个数据集的两个数据组件。

data =加入(数据、dataMacro);disp(头(数据))

ID ScoreGroup小无赖违约GDP年市场__ __________ ___ ____ ____专攻1低风险1 0 1997 2.72 7.61 - 1低风险2 0 1998 1999 2.86 18.1 3.57 26.24 - 1低风险3 0 1低风险4 0 2000 2.43 3.19 1低风险5 0 2002 2001 1.26 -10.51 - 1低风险6 0 -0.59 -22.95 1低风险7 0 2003 0.63 2.78 1低风险8 0 2004 1.85 - 9.48

对数据进行分区

单独的数据为训练和测试的分区。

nIDs = max (data.ID);uniqueIDs =独特(data.ID);rng (“默认”);%的再现性c = cvpartition (nIDs“坚持”,0.4);TrainIDInd =培训(c);TestIDInd =测试(c);TrainDataInd = ismember (data.ID uniqueIDs (TrainIDInd));TestDataInd = ismember (data.ID uniqueIDs (TestIDInd));

创建物流一生PD模型

使用fitLifetimePDModel创建一个物流使用训练数据模型。

pdModel = fitLifetimePDModel(数据(TrainDataInd,:),“物流”,…“AgeVar”,“小无赖”,…“IDVar”,“ID”,…“LoanVars”,“ScoreGroup”,…“MacroVars”,{“国内生产总值”,“市场”},…“ResponseVar”,“默认”);disp (pdModel)

物流与属性:ModelID:“物流”描述:“UnderlyingModel: [1 x1 classreg.regr。CompactGeneralizedLinearModel] IDVar:“ID”AgeVar:“小无赖”LoanVars:“ScoreGroup”MacroVars: [“GDP”“市场”]ResponseVar:“默认”

显示底层模型。

pdModel.UnderlyingModel

ans =紧凑的广义线性回归模型:分对数(默认)~ 1 + GDP ScoreGroup +小无赖+ +市场=二项分布估计系数:估计SE tStat pValue __________ ___________和___________(拦截)-2.7422 0.10136 -27.054 3.408 e - 161 ScoreGroup_Medium风险-0.68968 0.037286 -18.497 2.1894 e - 76 ScoreGroup_Low风险-1.2587 0.045451 -27.693 8.4736 e - 169小无赖-0.30894 0.013587 -22.738 1.8738 e - 114 GDP市场-0.11111 0.039673 -2.8006 0.0051008 -0.0083659 0.0028358 -2.9502 0.0031761 388097年观察,388091错误自由度色散:1 x ^ 2-statistic与常数模型:1.85 e + 03,假定值= 0

预测条件和PD一生

使用预测函数来预测条件PD值。预测是一个逐行预测。

dataCustomer1 =数据(1:8,:);CondPD =预测(pdModel dataCustomer1)

CondPD =8×10.0092 0.0053 0.0045 0.0039 0.0037 0.0037 0.0019 0.0012

使用predictLifetime预测寿命累积PD值(计算边际和生存PD值还支持)。万博1manbetx的predictLifetime函数使用ID变量(参见“IDVar”财产物流对象)将有条件的PDs累积PDs对每个ID。

LifetimePD = predictLifetime (pdModel dataCustomer1)

LifetimePD =8×10.0092 0.0145 0.0189 0.0228 0.0264 0.0300 0.0319 0.0330

验证模型

使用modelDiscrimination衡量顾客PD的排名。

DiscMeasure = modelDiscrimination (pdModel、数据(TestDataInd:) DataID =“测试数据”);disp (DiscMeasure)

0.70009 AUROC物流,测试数据

使用modelDiscriminationPlot可视化ROC曲线。

modelDiscriminationPlot (pdModel、数据(TestDataInd:), DataID =“测试数据”);

图包含一个坐标轴对象。坐标轴对象标题中华民国测试数据逻辑,AUROC = 0.70009,包含一部分Non-Defaulters, ylabel违约者的包含一个类型的对象。该对象代表物流。

使用modelCalibration衡量预测的PD的校准值。的modelCalibration函数需要一个分组变量和对比组中观察到的违约率的准确性的平均预测PD组。例如,您可以使用group by日历年“年”变量。

CalMeasure = modelCalibration (pdModel、数据(TestDataInd:)“年”DataID =“测试数据”);disp (CalMeasure)

RMSE ________物流,分组,0.000453测试数据

使用modelCalibrationPlot可视化观察到的违约率相比,预测违约概率(PD)。

modelCalibrationPlot (pdModel、数据(TestDataInd:),“年”DataID =“测试数据”);

图包含一个坐标轴对象。坐标轴对象标题分散按年测试数据逻辑分组,RMSE = 0.000453,包含一年,ylabel PD包含2线类型的对象。一个或多个行显示的值只使用这些对象标记代表观察到,物流。

输入参数

全部折叠

`数据`- - - - - -数据
表

数据,指定为一个表,在面板数据形式。的数据必须包含一个ID列。响应变量必须是一个二进制变量的值0或1,1表示默认。

数据类型:表

`ModelType`- - - - - -PD模型的类型
特征向量和价值`“物流”`,`“Probit”`,或`考克斯的`|字符串值`“物流”`,`“Probit”`,或`“考克斯”`

类型的PD模型,指定为一个标量字符串或字符向量。使用下列值之一:

物流合适的物流模型寿命概率。有关更多信息,请参见时间间隔为逻辑模型。
Probit——适合终身Probit模型概率。有关更多信息,请参见时间间隔的概率单位模型。
考克斯——适合终身Cox模型概率。有关更多信息,请参见Cox比例风险模型。

数据类型:字符串|字符

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:pdModel = fitLifetimePDModel(数据(TrainDataInd:)、ModelType AgeVar,“小无赖”,“IDVar”、“ID”,“LoanVars”、“ScoreGroup”、“MacroVars”{“GDP”、“市场”},“ResponseVar”、“违约”)

可用的名称-值对参数依赖于您所指定的值ModelType。