将不同类型的模型拟合到loss given default (LGD)数据中。本例演示了以下方法:

与消费者(零售)信贷面板数据一起工作，以可视化不同级别的观察到的违约概率(pd)。它还展示了如何拟合Cox比例风险(PH)模型，也称为Cox回归，以预测pd。此外，它还展示了如何执行压力测试分析，如何建模生命周期pd，以及如何使用portfolioECL计算生命周期预期信用损失(ECL)值。

使用消费者信贷面板数据创建整个周期(TTC)和时间点(PIT)模型，并比较它们各自的违约概率(PD)。

创建、训练和比较三种用于预测信用违约概率的深度学习网络。

利用深度神经网络训练信用风险的违约概率(PD)预测。该示例还展示了如何使用局部可解释的模型不可知解释(LIME)和Shapley值可解释性技术来理解模型的预测。此外，该示例分析了样本外值的模型预测，并执行了压力测试分析。

计算并使用数据和模型度量来调查模型中存在的偏差。

使用信用记分卡模型来减少偏见，使其更加公平。

在信用记分卡模型的偏差缓解中，使用不同影响去除作为预处理技术，以减少模型中的偏差。

评估抵押贷款实际风险和过渡风险的方法。物理风险和过渡风险是气候变化风险的两大类。抵押贷款的物理风险与洪水和野火等自然事件有关。抵押贷款的转型风险来自与化石燃料转型相关的政策变化。例如，抵押贷款转换风险是建筑物能源效率标准的变化。