Создать Logistic объект модели для пожизненной вероятности дефолта
Создание и анализ Logistic объект модели для вычисления вероятности срока службы (PD) по умолчанию с использованием этого рабочего процесса:
Использовать fitLifetimePDModel для создания Logistic объект модели.
Использовать predict для прогнозирования условного PD и predictLifetime для прогнозирования времени жизни PD.
Использовать modelDiscrimination для возврата данных AUROC и ROC. Результаты можно распечатать с помощью modelDiscriminationPlot.
Использовать modelAccuracy для возврата RMSE наблюдаемых и прогнозируемых данных PD. Результаты можно распечатать с помощью modelAccuracyPlot.
LogisticPDModel = fitLifetimePDModel(data,ModelType)Logistic Объект модели PD.
Если информация о переменных не указана для IDVar, AgeVar, LoanVars, MacroVars, и ResponseVar, то:
IDVar установлен в первый столбец в data вход.
LoanVars включает все столбцы, начиная со второго и заканчивая вторым столбцами data вход.
ResponseVar установлен в последний столбец в data вход.
LogisticPDModel = fitLifetimePDModel(___,Name,Value)LogisticPDModel = fitLifetimePDModel(data(TrainDataInd,:),"Logistic",'ModelID',"Logistic_A",'Description',"Logisitic_model",'AgeVar',"YOB",'IDVar',"ID",'LoanVars',"ScoreGroup','MacroVars',{'GDP','Market',}'ResponseVar',"Default") создает Logistic объект модели.
predict | Вычислить условный PD |
predictLifetime | Вычислите совокупный срок службы PD, предельный PD и вероятность выживания |
modelDiscrimination | Вычисление данных AUROC и ROC |
modelAccuracy | Вычислить RMSE прогнозируемых и наблюдаемых PD по сгруппированным данным |
modelDiscriminationPlot | График кривой ROC |
modelAccuracyPlot | График наблюдаемых показателей по умолчанию по сравнению с прогнозируемыми ПД на сгруппированных данных |
В этом примере показано, как использовать fitLifetimePDModel для создания Logistic модель с использованием кредитных и макроэкономических данных.
Загрузить данные
Загрузите данные кредитного портфеля.
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
Объединение двух компонентов 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 раздела
Разделите данные на разделы обучения и тестирования.
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));
Создать Logistic Модель жизненного цикла PD
Использовать fitLifetimePDModel для создания Logistic модель с использованием 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"
Отображение базовой модели.
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
Прогнозирование условного и срока службы PD
Используйте predict функция для прогнозирования условных значений PD. Предсказание является последовательным предсказанием.
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
Использовать predictLifetime для прогнозирования совокупных значений PD за время жизни (также поддерживается вычисление предельных значений PD и значений PD выживания). predictLifetime функция использует переменную ID (см. 'IDVar' для свойства Logistic объект) для преобразования условных PDS в накопительные PDS для каждого идентификатора.
LifetimePD = predictLifetime(pdModel,dataCustomer1)
LifetimePD = 8×1
0.0092
0.0145
0.0189
0.0228
0.0264
0.0300
0.0319
0.0330
Проверка модели
Использовать modelDiscrimination для измерения ранжирования клиентов по PD.
DiscMeasure = modelDiscrimination(pdModel,data(TestDataInd,:),'DataID','test data'); disp(DiscMeasure)
AUROC
_______
Logistic, test data 0.70009
Использовать modelDiscriminationPlot для визуализации кривой ROC.
modelDiscriminationPlot(pdModel,data(TestDataInd,:),'DataID','test data');
Использовать modelAccuracy для измерения точности прогнозируемых значений PD. modelAccuracy функция требует переменной группировки и сравнивает точность наблюдаемой скорости по умолчанию в группе со средней прогнозируемой PD для группы. Например, можно сгруппировать по 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
Использовать modelAccuracyPlot для визуализации наблюдаемых скоростей по умолчанию по сравнению с прогнозируемыми вероятностями дефолта (PD).
modelAccuracyPlot(pdModel,data(TestDataInd,:),'Year','DataID','test data');
[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.
[3] Бриден, Иосиф. Жизнь с CECL: The Modeling Dictionary. Santa Fe, NM: Prescient Models LLC, 2018.