fitLifetimePDModel

Создайте заданный пожизненный тип объекта модели PD

Описание

пример

pdModel = fitLifetimePDModel(data,ModelType) создает пожизненную вероятность значения по умолчанию (PD) объект модели, заданный data и ModelType. fitLifetimePDModel берет в данных о кредите в форме данных о панели и подбирает пожизненную модель PD. ModelType поддерживается для Logistic или Probit.

пример

pdModel = fitLifetimePDModel(___,Name,Value) задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущем синтаксисе. Доступные дополнительные аргументы пары "имя-значение" зависят от заданного ModelType.

Примеры

свернуть все

В этом примере показано, как использовать fitLifetimePDModel создать Logistic модель с помощью кредита и макроэкономических данных.

Загрузка данных

Загрузите данные о кредитном портфеле.

load RetailCreditPanelData.mat
disp(head(data))
    ID    ScoreGroup    YOB    Default    Year
    __    __________    ___    _______    ____

    1      Low Risk      1        0       1997
    1      Low Risk      2        0       1998
    1      Low Risk      3        0       1999
    1      Low Risk      4        0       2000
    1      Low Risk      5        0       2001
    1      Low Risk      6        0       2002
    1      Low Risk      7        0       2003
    1      Low Risk      8        0       2004
disp(head(dataMacro))
    Year     GDP     Market
    ____    _____    ______

    1997     2.72      7.61
    1998     3.57     26.24
    1999     2.86      18.1
    2000     2.43      3.19
    2001     1.26    -10.51
    2002    -0.59    -22.95
    2003     0.63      2.78
    2004     1.85      9.48

Соедините два компонента данных в один набор данных.

data = join(data,dataMacro);
disp(head(data))
    ID    ScoreGroup    YOB    Default    Year     GDP     Market
    __    __________    ___    _______    ____    _____    ______

    1      Low Risk      1        0       1997     2.72      7.61
    1      Low Risk      2        0       1998     3.57     26.24
    1      Low Risk      3        0       1999     2.86      18.1
    1      Low Risk      4        0       2000     2.43      3.19
    1      Low Risk      5        0       2001     1.26    -10.51
    1      Low Risk      6        0       2002    -0.59    -22.95
    1      Low Risk      7        0       2003     0.63      2.78
    1      Low Risk      8        0       2004     1.85      9.48

Данные о разделе

Разделите данные на обучение и протестируйте разделы.

nIDs = max(data.ID);
uniqueIDs = unique(data.ID);

rng('default'); % for reproducibility
c = cvpartition(nIDs,'HoldOut',0.4);

TrainIDInd = training(c);
TestIDInd = test(c);

TrainDataInd = ismember(data.ID,uniqueIDs(TrainIDInd));
TestDataInd = ismember(data.ID,uniqueIDs(TestIDInd));

Создайте Logistic Пожизненная модель PD

Используйте fitLifetimePDModel создать Logistic модель с помощью обучающих данных.

pdModel = fitLifetimePDModel(data(TrainDataInd,:),"Logistic",...
    'AgeVar','YOB',...
    'IDVar','ID',...
    'LoanVars','ScoreGroup',...
    'MacroVars',{'GDP','Market'},...
    'ResponseVar','Default');
disp(pdModel)
  Logistic with properties:

        ModelID: "Logistic"
    Description: ""
          Model: [1x1 classreg.regr.CompactGeneralizedLinearModel]
          IDVar: "ID"
         AgeVar: "YOB"
       LoanVars: "ScoreGroup"
      MacroVars: ["GDP"    "Market"]
    ResponseVar: "Default"

Отобразите базовую модель.

disp(pdModel.Model)
Compact generalized linear regression model:
    logit(Default) ~ 1 + ScoreGroup + YOB + GDP + Market
    Distribution = Binomial

Estimated Coefficients:
                               Estimate        SE         tStat       pValue   
                              __________    _________    _______    ___________

    (Intercept)                  -2.7422      0.10136    -27.054     3.408e-161
    ScoreGroup_Medium Risk      -0.68968     0.037286    -18.497     2.1894e-76
    ScoreGroup_Low Risk          -1.2587     0.045451    -27.693    8.4736e-169
    YOB                         -0.30894     0.013587    -22.738    1.8738e-114
    GDP                         -0.11111     0.039673    -2.8006      0.0051008
    Market                    -0.0083659    0.0028358    -2.9502      0.0031761


388097 observations, 388091 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 1.85e+03, p-value = 0

Предскажите условный и пожизненный PD

Используйте predict функция, чтобы предсказать условные значения PD. Предсказание является предсказанием строки строкой.

dataCustomer1 = data(1:8,:);
CondPD = predict(pdModel,dataCustomer1)
CondPD = 8×1

    0.0092
    0.0053
    0.0045
    0.0039
    0.0037
    0.0037
    0.0019
    0.0012

Используйте predictLifetime предсказать пожизненные совокупные значения PD (вычисляющий крайний и значения PD выживания также поддерживается). predictLifetime функционируйте использует переменную ID (см. 'IDVar' свойство для Logistic объект), чтобы преобразовать условные ФУНТЫ к совокупным ФУНТАМ для каждого ID.

LifetimePD = predictLifetime(pdModel,dataCustomer1)
LifetimePD = 8×1

    0.0092
    0.0145
    0.0189
    0.0228
    0.0264
    0.0300
    0.0319
    0.0330

Подтвердите модель

Используйте modelDiscrimination измерять рейтинг клиентов PD.

DiscMeasure = modelDiscrimination(pdModel,data(TestDataInd,:),'DataID','test data');
disp(DiscMeasure)
                            AUROC 
                           _______

    Logistic, test data    0.70009

Используйте modelDiscriminationPlot визуализировать кривую ROC.

modelDiscriminationPlot(pdModel,data(TestDataInd,:),'DataID','test data');

Figure contains an axes. The axes with title ROC test data Logistic, AUROC = 0.70009 contains an object of type line. This object represents Logistic.

Используйте modelAccuracy измерять точность предсказанных значений PD. modelAccuracy функция требует сгруппированной переменной и сравнивает точность наблюдаемого уровня по умолчанию в группе со средним предсказанным PD для группы. Например, можно сгруппироваться к календарному году с помощью 'Year' переменная.

AccMeasure = modelAccuracy(pdModel,data(TestDataInd,:),'Year','DataID','test data');
disp(AccMeasure)
                                              RMSE  
                                            ________

    Logistic, grouped by Year, test data    0.000453

Используйте modelAccuracyPlot визуализировать наблюдаемые уровни по умолчанию по сравнению с предсказанными вероятностями значения по умолчанию (PD).

modelAccuracyPlot(pdModel,data(TestDataInd,:),'Year','DataID','test data');

Figure contains an axes. The axes with title Scatter Grouped by Year test data Logistic, RMSE = 0.000453 contains 2 objects of type line. These objects represent Observed, Logistic.

Входные параметры

свернуть все

Данные в виде таблицы, в форме данных о панели. data должен содержать столбец ID. Переменная отклика должна быть бинарной переменной со значением 0 или 1, с 1 указание на значение по умолчанию.

Типы данных: table

Тип модели PD в виде скалярной строки или вектора символов. Используйте одно из следующих значений:

  • Logistic — Кумулятивная функция распределения логистического распределения

  • Probit — Кумулятивная функция распределения стандартного нормального распределения

Типы данных: string | char

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: pdModel = fitLifetimePDModel(data(TrainDataInd,:),ModelType,'AgeVar',"YOB",'IDVar',"ID",'LoanVars',"ScoreGroup','MacroVars',{'GDP','Market'},'ResponseVar',"Default")

Доступные аргументы пары "имя-значение" зависят от значения, которое вы задаете для ModelType.

Аргументы в виде пар имя-значение для объектов модели

Выходные аргументы

свернуть все

Вероятность модели по умолчанию, возвращенной как pdModel объект. Поддерживаемыми классами является Logistic и Probit.

Ссылки

[1] Baesens, Барт, Дэниел Роеш и Харальд Шойле. Аналитика кредитного риска: техники измерений, приложения и примеры в SAS. Вайли, 2016.

[2] Беллини, Тициано. МСФО 9 и моделирование кредитного риска CECL и валидация: практическое руководство с примерами работало в R и SAS. Сан-Диего, CA: Elsevier, 2019.

[3] Breeden, Джозеф. Проживание с CECL: словарь моделирования. Санта-Фе, NM: наделенный даром предвидения LLC моделей, 2018.

Введенный в R2020b
Для просмотра документации необходимо авторизоваться на сайте