物流
描述
创建和分析物流
模型对象一生来计算违约概率(PD)使用此工作流:
使用
fitLifetimePDModel
创建一个物流
模型对象。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
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。可选名称-值对参数设置模型对象属性。例如,LogisticPDModel
= fitLifetimePDModel (___,名称,值
)LogisticPDModel = fitLifetimePDModel(数据(TrainDataInd,:),“物流”、“ModelID”,“Logistic_A”、“描述”,“Logisitic_model”、“AgeVar”、“小无赖”、“IDVar”,“ID”,“LoanVars”、“ScoreGroup”、“MacroVars”{“GDP”,“市场”}“ResponseVar”、“违约”)
创建一个LogisticPDModel
对象使用物流
模型类型。
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
更多关于
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。