主要内容

预测

预测给定的违约损失

自从R2021a

所有的页面崩溃

语法

乐金显示器=预测(lgdModel、数据)

描述

例子

乐金显示器=预测(lgdModel,数据)计算给定的违约损失(乐金显示器)。

当使用一个回归模型中,预测函数作用于底层紧凑的统计模型,然后将预测值转换回乐金显示器。

当使用一个托比特书模型中,预测函数作用于底层托比特书回归模型的无条件的期望值并返回响应,给出预测的值。

例子

全部折叠

打开生活的脚本

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。

打开生活的脚本

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。

打开生活的脚本

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

全部折叠

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,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

全部折叠

损失给出默认值,作为一个返回NumRows——- - - - - -1数值向量。

更多关于

全部折叠

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。

β乐金显示器模型返回贝塔分布的均值,得到预测的值。有关更多信息,请参见β回归模型。

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R2021a

全部展开

另请参阅

|||||||

主题