predict

Вычисление условного ПД

Свернуть все на странице

Синтаксис

conditionalPD = predict(pdModel,data)

Описание

пример

conditionalPD = predict(pdModel,data) вычисляет условную вероятность дефолта (PD).

Примеры

свернуть все

Используйте модель PD продолжительности жизни пробита, чтобы предсказать условную PD

Открыть Live Script

В этом примере показано, как использовать fitLifetimePDModel для подгонки данных к Probit модель, а затем предсказать условную вероятность дефолта (PD).

Загрузка данных

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

Объедините эти 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 разделах

Разделите данные на обучающие и тестовые 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 Probit Жизненная модель PD

Использование fitLifetimePDModel для создания Probit модель.

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

  Probit with properties:

        ModelID: "Probit"
    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:
    probit(Default) ~ 1 + ScoreGroup + YOB + GDP + Market
    Distribution = Binomial

Estimated Coefficients:
                               Estimate        SE         tStat       pValue   
                              __________    _________    _______    ___________

    (Intercept)                  -1.6267      0.03811    -42.685              0
    ScoreGroup_Medium Risk      -0.26542      0.01419    -18.704     4.5503e-78
    ScoreGroup_Low Risk         -0.46794     0.016364    -28.595     7.775e-180
    YOB                         -0.11421    0.0049724    -22.969    9.6208e-117
    GDP                        -0.041537     0.014807    -2.8052      0.0050291
    Market                    -0.0029609    0.0010618    -2.7885      0.0052954


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

Предсказание обучающих и тестовых данных

Спрогнозируйте PD для обучающих или тестовых наборов данных.

DataSetChoice = "Training";
if DataSetChoice = ="Training"
    Ind = TrainDataInd;
 else
    Ind = TestDataInd;
 end

% Predict conditional PD
PD = predict (pdModel, данные (Ind,:));
head (данные (Ind,:))

ans=8×7 table
    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

disp(PD(1:8))

Анализировать и проверять эти предсказания можно используя modelDiscrimination и modelAccuracy.

Входные параметры

свернуть все

`pdModel` - Вероятность дефолтной модели
`Logistic` | объекта `Probit` объект

Вероятность модели по умолчанию, заданная как ранее созданная Logistic или Probit использование объекта fitLifetimePDModel.

Типы данных: object

`data` - Данные
таблица

Данные, заданные как NumRows-by- NumCols таблица с проецируемыми значениями предиктора для создания пожизненных предсказаний. Имена предикторов и типы данных должны быть согласованы с базовой моделью.

Типы данных: table

Выходные аргументы

свернуть все

`conditionalPD` - Предсказанная условная вероятность значений по умолчанию
вектор

Предсказанная условная вероятность значений по умолчанию, возвращенная как NumRows-by- 1 числовой вектор.

Подробнее о

свернуть все

Условный ПД

Conditional PD вероятность установки по умолчанию еще не задана по умолчанию.

Формула для условного PD является

$P D_{c o n d} (t) = P {t - 1 \leq T < t | T > t - 1}$

где T - время по умолчанию.

Например, прогнозируемый условный ПД на второй год - это вероятность дефолта заемщика во второй год, учитывая, что заемщик не дефолт в первый год.

Ссылки

[1] Baesens, Bart, Daniel Roesch, and Harald Scheule. Аналитика 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, используемыми в R и SAS». Сан-Диего, Калифорния: Elsevier, 2019.

[3] Бриден, Джозеф. Жизнь с CECL: Словарь моделирования. Santa Fe, NM: Prescient Models LLC, 2018.

См. также

Темы

Введенный в R2020b

Документация

predict

Синтаксис

Описание

Примеры

Используйте модель PD продолжительности жизни пробита, чтобы предсказать условную PD

Входные параметры

`pdModel` - Вероятность дефолтной модели
`Logistic` | объекта `Probit` объект

`data` - Данные
таблица

Выходные аргументы

`conditionalPD` - Предсказанная условная вероятность значений по умолчанию
вектор

Подробнее о

Условный ПД

Ссылки

См. также

Темы

Документация по Risk Management Toolbox

Поддержка

Документация

predict

Синтаксис

Описание

Примеры

Используйте модель PD продолжительности жизни пробита, чтобы предсказать условную PD

Входные параметры

pdModel - Вероятность дефолтной модели Logistic | объекта Probit объект

data - Данные таблица

Выходные аргументы

conditionalPD - Предсказанная условная вероятность значений по умолчанию вектор

Подробнее о

Условный ПД

Ссылки

См. также

Темы

Документация по Risk Management Toolbox

Поддержка

`pdModel` - Вероятность дефолтной модели
`Logistic` | объекта `Probit` объект

`data` - Данные
таблица

`conditionalPD` - Предсказанная условная вероятность значений по умолчанию
вектор