主要内容

modelCalibrationPlot

情节观察违约率相比,预测PDs分组数据

自从R2023a

所有的页面崩溃

语法

modelCalibrationPlot (pdModel、数据GroupBy)
modelCalibrationPlot (___、名称、值)
h = modelCalibrationPlot (ax,___、名称、值)

描述

例子

modelCalibrationPlot (pdModel,数据,GroupBy)图观察到的违约率相比,预测违约概率(PD)。GroupBy是必需的,可以列吗数据输入(不一定是一个模型变量)。的modelCalibrationPlot函数计算每组观察到的PD的违约率和预测PD每组的平均PD。modelCalibrationPlot万博1manbetx支持对参考模型的比较。

例子

modelCalibrationPlot (___,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。

例子

h= modelCalibrationPlot (斧头,___,名称,值)指定选项使用一个或多个名称-值对参数除了在前面的语法输入参数并返回图处理h。

例子

全部折叠

打开生活的脚本

这个例子展示了如何使用modelCalibrationPlot图根均方误差(RMSE)观察到的违约概率(PDs)对预测PDs。

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”,…“ModelID”,“例子”,…“描述”,“终身使用RetailCreditPanelData PD模型”。,…“IDVar”,“ID”,…“AgeVar”,“小无赖”,…“LoanVars”,“ScoreGroup”,…“MacroVars”,{“国内生产总值”“市场”},…“ResponseVar”,“默认”);disp (pdModel)
物流与属性:ModelID:“例子”描述:“终身使用RetailCreditPanelData PD模型。”UnderlyingModel: [1x1 classreg.regr.CompactGeneralizedLinearModel] IDVar: "ID" AgeVar: "YOB" LoanVars: "ScoreGroup" MacroVars: ["GDP" "Market"] ResponseVar: "Default"
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

可视化模型校准

使用modelCalibrationPlot可视化模型校准测试数据,按年龄分组。

modelCalibrationPlot (pdModel、数据(TestDataInd:),“小无赖”)

图包含一个坐标轴对象。坐标轴对象与分组的标题分散小无赖的例子,RMSE = 0.00052762,包含小无赖,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的,例子。

输入参数

全部折叠

违约概率模型,指定为一个物流,Probit,或考克斯之前创建的对象使用fitLifetimePDModel。或者,您可以创建一个定制的违约概率模型使用customLifetimePDModel。

请注意

的“ModelID”财产的pdModel对象是用作标识符或标记pdModel。

数据类型:对象

数据,指定为一个NumRows——- - - - - -NumCols表与预计值预测寿命预测。预测的名称和数据类型必须与底层模型一致。

数据类型:表

列的名称数据输入用于组数据,指定为字符串或字符向量。GroupBy不需要一个模型变量的名字。为每个组指定的GroupBy,modelCalibrationPlot函数计算观察到的违约率和平均预测PDs RMSE计算来衡量。modelCalibrationPlot万博1manbetx最多支持两个分组变量。

数据类型:字符串|字符

(可选)有效轴对象,指定为一个斧头使用创建的对象轴。情节将在指定的轴创建可选的斧头论点,而不是在当前轴(gca)。可选参数斧头必须先于任何输入参数的组合。

数据类型:对象

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。

例子:modelCalibrationPlot (pdModel数据(印第安纳州,:),GroupBy =[“粗野”、“ScoreGroup”], DataID =“DataSetChoice”)

数据集标识符指定为DataID和一个字符或字符串向量。DataID情节中包含标题为报告目的。

数据类型:字符|字符串

有条件的PD值预测数据参考模型,指定为ReferencePD和一个NumRows——- - - - - -1数值向量。预测PD的策划pdModel对象和参考模型。

数据类型:双

标识符的参考模型,指定为ReferenceID和一个字符或字符串向量。ReferenceID用于报告目的的阴谋。

数据类型:字符|字符串

输出参数

全部折叠

图线的处理对象,作为处理对象返回。

更多关于

全部折叠

模型校准

模型校准测量的准确性预测违约概率(PD)值。

的modelCalibrationPlot函数允许您可视化比较预测PD值来观察到的违约率。的modelCalibrationPlot函数需要一个分组变量来计算平均预测PD值在每个组和平均违约率也在每个组。预测PD值和观察到的违约率组策划针对分组变量值。

两个分组变量支持万博1manbetxmodelCalibrationPlot。当两个分组变量指定,平均预测PD和违约率计算的所有定义的群体组合两个分组变量。第一个分组变量的数据,第二个变量用于区分情节上的数据用不同的颜色。

均方根误差(RMSE)的分组数据报告的标题。RMSE度量以编程方式,使用modelCalibration。

引用

[1]Baesens,巴特,丹尼尔•罗斯切和Harald Scheule。信贷风险分析:测量技术、应用程序和SAS的例子。威利,2016年。

[2]贝里尼,Tiziano。IFRS 9和CECL信用风险建模和验证:一个实用指南的例子在R和SAS。圣地亚哥CA:爱思唯尔出版社,2019年。

[3]布里登,约瑟夫。生活在CECL:建模字典。圣达菲,海里:先见之明模型有限责任公司,2018年。

[4]罗斯切,丹尼尔和哈拉尔德Scheule。与Python深信用风险:机器学习。独立出版,2020年。

版本历史

介绍了R2023a

另请参阅

|||||||||

主题