Создать Regression объект модели для потери по умолчанию
Создание и анализ Regression объект модели для вычисления потерь по умолчанию (LGD) с использованием этого рабочего процесса:
Использовать fitLGDModel для создания Regression объект модели.
Использовать predict для прогнозирования LGD.
Использовать modelDiscrimination для возврата данных AUROC и ROC. Результаты можно распечатать с помощью modelDiscriminationPlot.
Использовать modelAccuracy вернуть R-квадрат, RMSE, корреляцию и среднюю ошибку выборки прогнозируемых и наблюдаемых данных LGD. Результаты можно распечатать с помощью modelAccuracyPlot.
RegressionLGDModel = fitLGDModel(___,Name,Value)lgdModel = fitLGDModel(data,'regression','PredictorVars',{'LTV' 'Age' 'Type'},'ResponseVar','LGD','ResponseTransform','probit','BoundaryTolerance',1e-6) создает Regression объект модели.
predict | Прогнозировать потери по умолчанию |
modelDiscrimination | Вычисление данных AUROC и ROC |
modelDiscriminationPlot | График кривой ROC |
modelAccuracy | Вычислите R-квадрат, RMSE, корреляцию и среднюю ошибку выборки прогнозируемых и наблюдаемых LGD |
modelAccuracyPlot | График рассеяния прогнозируемых и наблюдаемых ЖРД |
В этом примере показано, как использовать fitLGDModel для создания Regression модель для потерь по умолчанию (LGD).
Загрузить данные LGD
Загрузите данные LGD.
load LGDData.mat
head(data)ans=8×4 table
LTV Age Type LGD
_______ _______ ___________ _________
0.89101 0.39716 residential 0.032659
0.70176 2.0939 residential 0.43564
0.72078 2.7948 residential 0.0064766
0.37013 1.237 residential 0.007947
0.36492 2.5818 residential 0
0.796 1.5957 residential 0.14572
0.60203 1.1599 residential 0.025688
0.92005 0.50253 investment 0.063182
Создать Regression Модель LGD
Использовать fitLGDModel для создания Regression модель с использованием data.
lgdModel = fitLGDModel(data,'regression',... 'ModelID','Example Probit',... 'Description','Example LGD probit regression model.',... 'PredictorVars',{'LTV' 'Age' 'Type'},... 'ResponseVar','LGD','ResponseTransform','probit','BoundaryTolerance',1e-6); disp(lgdModel)
Regression with properties:
ResponseTransform: "probit"
BoundaryTolerance: 1.0000e-06
ModelID: "Example Probit"
Description: "Example LGD probit regression model."
UnderlyingModel: [1x1 classreg.regr.CompactLinearModel]
PredictorVars: ["LTV" "Age" "Type"]
ResponseVar: "LGD"
Отображение базовой модели. Переменная ответа базовой модели - пробит-преобразование данных ответа LGD. Используйте 'ResponseTransform' и 'BoundaryTolerance' аргументы для изменения преобразования.
disp(lgdModel.UnderlyingModel)
Compact linear regression model:
LGD_probit ~ 1 + LTV + Age + Type
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ _______ __________
(Intercept) -2.4011 0.11638 -20.632 2.5277e-89
LTV 1.3777 0.1357 10.153 6.9099e-24
Age -0.58387 0.028183 -20.717 5.2434e-90
Type_investment 0.60006 0.079658 7.5329 6.2863e-14
Number of observations: 3487, Error degrees of freedom: 3483
Root Mean Squared Error: 1.77
R-squared: 0.186, Adjusted R-Squared: 0.186
F-statistic vs. constant model: 266, p-value = 1.87e-155
Прогнозирование LGD
Для прогнозирования LGD используйте predict. Модель LGD применяет обратное преобразование, так что прогнозы находятся в шкале LGD, а не в преобразованной шкале, используемой для соответствия базовой модели.
predictedLGD = predict(lgdModel,data(1:10,:))
predictedLGD = 10×1
0.0799
0.0039
0.0012
0.0045
0.0003
0.0127
0.0123
0.2041
0.0200
0.0016
Проверка модели LGD
Использовать modelDiscriminationPlot для построения кривой ROC.
modelDiscriminationPlot(lgdModel,data)
Использовать modelAccuracyPlot чтобы показать график рассеяния предсказаний.
modelAccuracyPlot(lgdModel,data)
Данные LGD можно преобразовать с помощью моделей линейной регрессии.
Регрессионные модели потерь, заданные по умолчанию (LGD), преобразуют переменную отклика LGD
ЛРД)
и вписать модель линейной регрессии
Для прогнозирования модели сначала предсказывают на преобразованном пространстве с использованием базовой модели линейной регрессии и оцененных коэффициентов
Затем можно применить обратное преобразование для возврата прогнозов по шкале LGD
)
Следующая таблица суммирует поддерживаемые преобразования с помощью ResponseTransform аргумент «имя-значение» и соответствующие им обратные значения, где (x) - кумулятивное нормальное распределение:
[1] Бэзенс, Барт, Даниэль Рош и Харальд Шиле. Анализ кредитных рисков: методы измерения, приложения и примеры в SAS. Уайли, 2016.
[2] Беллини, Тициано. МСФО (IFRS) 9 и CECL «Моделирование и валидация кредитных рисков: практическое руководство с примерами, работающими в R и SAS». Сан-Диего, Калифорния: Elsevier, 2019.