customLifetimePDModel
描述
创建和分析customLifetimePDModel一生对象计算违约概率(PD)使用此工作流:
适合一个PD模型,可以预测PD的贷款或组合贷款。
定义一个函数处理为一个函数,预测你指定的PD PD模型。
使用
customLifetimePDModel并通过处理创建一个指定的函数customLifetimePDModel对象。指定模型是现在包装一生PD模型。使用
预测条件PD和预测predictLifetime预测终生PD。使用
modelDiscrimination返回AUROC和ROC数据。你可以画出结果modelDiscriminationPlot。使用
modelCalibration返回的RMSE观察和预测PD数据。你可以画出结果modelCalibrationPlot。
创建
语法
描述
CustomLifetimePDModel= customLifetimePDModel (pdFcnHandle,IDVar= idvar_value,ResponseVar= responsevar_value)customLifetimePDModel对象为PD模型使用要求名称参数和模型对象集属性。
CustomLifetimePDModel= customLifetimePDModel (___,名称=值)CustomLifetimePDModel = CustomLifetimePDModel (pdFcnHandle IDVar =“ID”, AgeVar =小无赖,描述=记分卡作为终身PD模型,LoanVars = ScoreGroup, MacroVars = {' GDP“市场”},ModelID = ' ScorecardLifetime’, ResponseVar =“违约”)创建一个CustomLifetimePDModel对象。
输入参数
属性
对象的功能
预测 |
计算条件PD |
predictLifetime |
计算累积一生PD、边际PD和生存概率 |
modelDiscrimination |
计算AUROC和ROC数据 |
modelCalibration |
观察到的预测和计算RMSE PDs分组数据 |
modelDiscriminationPlot |
绘制ROC曲线 |
modelCalibrationPlot |
情节观察违约率相比,预测PDs分组数据 |
例子
创建自定义一生PD模型
这个例子展示了如何使用customLifetimePDModel对象与一个函数处理包装作为信用计分卡模型customLifetimePDModel模型。
加载数据
加载信贷投资组合数据。面板数据格式的数据集,每个贷款多行。
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
符合信用计分卡模型
使用creditscorecard创建一个creditscorecard对象,使用autobinning执行指定的预测因子的自动装箱,然后使用fitmodel符合逻辑回归模型的重量(悲哀)数据证据。在本例中,整个数据集被用来训练模型。
sc = creditscorecard(数据,“IDVar”,“ID”,“PredictorVars”,{“ScoreGroup”“小无赖”“国内生产总值”“市场”},“ResponseVar”,“默认”);sc = autobinning (sc);sc = autobinning (sc,“小无赖”,“算法”,“分裂”);sc = fitmodel (sc,“显示”,“关闭”);displaypoints (sc)
ans =16×3表预测本售予_________点* * * {‘ScoreGroup}{“高风险”}0.61102 {‘ScoreGroup}{中等风险的}1.3043 {‘ScoreGroup}{“低风险”}1.9113 {‘ScoreGroup}{' <失踪>}南{“小无赖”}{[无穷,2)的0.56226}{“小无赖”}{[2、5)的1.0024}{“小无赖”}{[5、7)的1.4549}{“小无赖”}{'[7,正]}2.509{“小无赖”}{' <失踪>}南{“GDP”}{[无穷,0.63)的1.042}{“GDP”}{'[0.63,正]}1.1657 {“GDP”}{' <失踪>}南{‘市场’}{[无穷,2.78)的1.0731}{‘市场’}{[2.78,9.48)的1.1219}{‘市场’}{'[9.48,正]}1.2294{‘市场’}{' <失踪>}NaN
创建customLifetimePDModel对象使用函数处理
使用customLifetimePDModel与一个函数处理的probdefault函数。
pdFcnHandle = @(数据)probdefault (sc、数据);pdModel = customLifetimePDModel (pdFcnHandle IDVar =“ID”AgeVar =“小无赖”,…描述=“计分卡作为终身PD模型”LoanVars =“ScoreGroup”,…MacroVars = {“国内生产总值”“市场”},ModelID =“ScorecardLifetime”ResponseVar =“默认”);disp (pdModel)
CustomLifetimePD属性:ModelID:“ScorecardLifetime”描述:“计分卡作为终身PD模型”UnderlyingModel: @(数据)probdefault (sc、数据)IDVar:“ID”AgeVar:“小无赖”LoanVars:“ScoreGroup”MacroVars: [“GDP”“市场”]ResponseVar:“默认”
pdModel.UnderlyingModel
ans =function_handle与价值:@(数据)probdefault (sc、数据)
预测一生PD
使用predictLifetime函数来预测寿命累积PD第一ID值的前八行数据。数据的输入predictLifetime必须在面板数据形式,每贷款与多个行,函数计算每个时期的累积违约概率。有关更多信息,请参见时间间隔和寿命预测数据输入。
predictLifetime (pdModel数据(1:8,:))
ans =8×10.0085 0.0134 0.0182 0.0236 0.0272 0.0312 0.0324 0.0335
验证模型
通过包装记分卡模型作为一个终身PD模型,验证所有功能的终身PD模型是可用的。例如,使用modelCalibrationPlot可视化观察到的违约率相比,预测违约概率。
modelCalibrationPlot (pdModel、数据“小无赖”)
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。
