预测
描述
例子
用回归乐金显示器模型预测乐金显示器
这个例子展示了如何使用fitLGDModel
以适应数据回归
模型,然后预测损失给予默认(乐金显示器)值。
加载数据
加载给定的默认数据丢失。
负载LGDData.mat头(数据)
LTV年龄类型乐金显示器____ ____ ___________ _____住宅住宅0.43564 0.72078 2.7948 0.032659 0.70176 2.0939 0.89101 - 0.39716住宅住宅住宅0 0.007947 0.36492 2.5818 0.0064766 0.37013 1.237 0.796 - 1.5957住宅投资住宅0.025688 0.92005 0.50253 0.14572 0.60203 1.1599 0.063182
对数据进行分区
单独的数据为训练和测试的分区。
rng (“默认”);%的再现性NumObs =身高(数据);c = cvpartition (NumObs“坚持”,0.4);TrainingInd =培训(c);TestInd =测试(c);
创建回归
乐金显示器模型
使用fitLGDModel
创建一个回归
使用训练数据模型。
lgdModel = fitLGDModel(数据(TrainingInd,:),“回归”);disp (lgdModel)
回归的属性:ResponseTransform:“分对数”BoundaryTolerance: 1.0000 e-05 ModelID:“回归”的描述:“UnderlyingModel: [1 x1 classreg.regr。CompactLinearModel] PredictorVars:(“LTV”“年龄”“类型”]ResponseVar:“乐金显示器”
显示底层模型。
disp (lgdModel.UnderlyingModel)
紧凑的线性回归模型:LGD_logit ~ 1 + LTV +年龄+类型估计系数:估计SE tStat pValue说____ __________(拦截)-4.7549 0.36041 -13.193 3.0997 38吗LTV e-11年龄-1.5397 0.085716 -17.963 3.3172 1.0531 2.8565 0.41777 6.8377 e - 67 Type_investment 1.4358 0.2475 5.8012 7.587 e-09数量的观察:2093年,错误自由度:2089根均方误差:4.24平方:0.206,调整平方:0.205 f统计量与常数模型:181年,假定值= 2.42 e - 104
预测乐金显示器上测试数据
使用预测
预测的乐金显示器测试数据集。
predictedLGD =预测(lgdModel、数据(TestInd,:))
predictedLGD =1394×10.0009 0.0037 0.1877 0.0011 0.0112 0.0420 0.0529 0.0000 0.0090 0.0239⋮
您可以分析和验证这些预测modelDiscrimination
和modelCalibration
。
使用托比特书乐金显示器模型预测乐金显示器
这个例子展示了如何使用fitLGDModel
以适应数据托比特书
模型,然后预测损失给予默认(乐金显示器)值。
加载数据
加载给定的默认数据丢失。
负载LGDData.mat头(数据)
LTV年龄类型乐金显示器____ ____ ___________ _____住宅住宅0.43564 0.72078 2.7948 0.032659 0.70176 2.0939 0.89101 - 0.39716住宅住宅住宅0 0.007947 0.36492 2.5818 0.0064766 0.37013 1.237 0.796 - 1.5957住宅投资住宅0.025688 0.92005 0.50253 0.14572 0.60203 1.1599 0.063182
对数据进行分区
单独的数据为训练和测试的分区。
rng (“默认”);%的再现性NumObs =身高(数据);c = cvpartition (NumObs“坚持”,0.4);TrainingInd =培训(c);TestInd =测试(c);
创建托比特书
乐金显示器模型
使用fitLGDModel
创建一个托比特书
使用训练数据模型。
lgdModel = fitLGDModel(数据(TrainingInd,:),“托比特书”);disp (lgdModel)
托比特书的属性:CensoringSide:““LeftLimit: 0 RightLimit: 1 ModelID:“托比特书”的描述:“UnderlyingModel: [1 x1 risk.internal.credit.TobitModel] PredictorVars: [“LTV”“年龄”“类型”]ResponseVar:“乐金显示器”
显示底层模型。
disp (lgdModel.UnderlyingModel)
托比特书回归模型:乐金显示器= max(0分钟(Y *, 1) Y * ~ 1 + LTV +年龄+类型估计系数:估计SE tStat pValue替_________ __________(拦截)0.058257 0.20126 0.031383 6.4129 1.7592 0.027279 2.1356 0.032828 LTV平台以及年龄0 Type_investment 0.10208 0.018054 5.6544 -0.095407 0.0072435 -13.171 1.7785 e-08(σ)0.29288 0.0057071 51.318 0的观测数量:2093 left-censored观察:547数量的未经审查的观察:1521 right-censored观测数量:25对数似:-698.383
预测乐金显示器上测试数据
使用预测
预测的乐金显示器测试数据集。
predictedLGD =预测(lgdModel、数据(TestInd,:))
predictedLGD =1394×10.0879 0.1243 0.3204 0.0934 0.1672 0.2238 0.2370 0.0102 0.1592 0.1989⋮
您可以分析和验证这些预测modelDiscrimination
和modelCalibration
。
用β乐金显示器模型预测乐金显示器
这个例子展示了如何使用fitLGDModel
以适应数据β
模型,然后预测损失给予默认(乐金显示器)值。
加载数据
加载给定的默认数据丢失。
负载LGDData.mat头(数据)
LTV年龄类型乐金显示器____ ____ ___________ _____住宅住宅0.43564 0.72078 2.7948 0.032659 0.70176 2.0939 0.89101 - 0.39716住宅住宅住宅0 0.007947 0.36492 2.5818 0.0064766 0.37013 1.237 0.796 - 1.5957住宅投资住宅0.025688 0.92005 0.50253 0.14572 0.60203 1.1599 0.063182
对数据进行分区
单独的数据为训练和测试的分区。
rng (“默认”);%的再现性NumObs =身高(数据);c = cvpartition (NumObs“坚持”,0.4);TrainingInd =培训(c);TestInd =测试(c);
创建β
乐金显示器模型
使用fitLGDModel
创建一个β
使用训练数据模型。
lgdModel = fitLGDModel(数据(TrainingInd,:),“β”);disp (lgdModel)
β与属性:BoundaryTolerance: 1.0000 e-05 ModelID:“测试版”描述:“UnderlyingModel: [1 x1 risk.internal.credit.BetaModel] PredictorVars: [“LTV”“年龄”“类型”]ResponseVar:“乐金显示器”
显示底层模型。
disp (lgdModel.UnderlyingModel)
β回归模型:分对数(乐金显示器)~ 1 _mu + LTV_mu + Age_mu + Type_mu日志(乐金显示器)~ 1 _phi + LTV_phi + Age_phi + Type_phi估计系数:估计SE tStat pValue说____ __________(拦截)0 LTV_mu _mu -1.3772 0.13201 -10.433 0.60269 0.15087 3.9947 6.7023 e-05 Age_mu Type_investment_mu 0.45372 0.085143 5.3289 1.094 -0.47464 0.040264 -11.788 0 e-07(拦截)_phi Age_phi LTV_phi 0.19462 -0.16337 0.12591 -1.2975 0.055892 0.14719 0.37973 0.70419 0.22887 0.040335 5.6743 1.5863 e-08 Type_investment_phi -0.14102 0.078155 -1.8044 0.071311的观测数量:2093对数似:-5291.04
预测乐金显示器上测试数据
使用预测
预测的乐金显示器测试数据集。
predictedLGD =预测(lgdModel、数据(TestInd,:))
predictedLGD =1394×10.0937 0.1492 0.3526 0.0964 0.1886 0.2595 0.2677 0.0213 0.1774 0.2256⋮
您可以分析和验证这些预测modelDiscrimination
和modelCalibration
。
输入参数
lgdModel
- - - - - -鉴于违约损失模型
回归
对象|托比特书
对象|β
对象
鉴于违约损失模型,指定为一个以前创建的回归
,托比特书
,或β
对象使用fitLGDModel
。
数据类型:对象
数据
- - - - - -数据
表
数据,指定为一个NumRows
——- - - - - -NumCols
表和预测响应值。变量名和数据类型必须与底层模型一致。
数据类型:表
输出参数
乐金显示器
——损失赋予默认值
向量
损失给出默认值,作为一个返回NumRows
——- - - - - -1
数值向量。
更多关于
与乐金显示器模型预测
用回归、托比特书或β模型预测乐金显示器。
回归
乐金显示器模型首先预测转换空间使用底层的线性回归模型,然后应用逆变换回乐金显示器规模预测。有关支持的转换的更多信息以及它们的倒数,明白了万博1manbetx损失给出默认的回归模型。
托比特书
乐金显示器返回响应的无条件的期望值模型,给出预测的值。有关更多信息,请参见损失给出默认托比特书模型。
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。
版本历史
介绍了R2021aR2022b:万博1manbetx支持β
模型
的lgdModel
输入支持的选万博1manbetx项β
您可以创建使用模型对象fitLGDModel
。
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。