Риск потребительского кредита

Риск потери из-за значения по умолчанию на продуктах потребительского кредита

Риск потребительского кредита является риском потери из-за клиента не выплата (значение по умолчанию) на продукте потребительского кредита, таком как ипотека, необеспеченный личный кредит, кредитная карта и превышение ограничений. Для протоколов результатов кредита используйте приложение Binning Explorer, чтобы выполнить интерактивное раскладывание для наборов данных и предикторов протокола результатов кредита. Дополнительные инструменты моделирования протокола результатов кредита доступны в Financial Toolbox™, и дополнительные модели классификации доступны в Statistics and Machine Learning Toolbox™.

Часто просматриваемые темы

Рекомендуемые примеры

Model Loss Given Default

Потеря модели, данная значение по умолчанию

Подходящие различные типы моделей к данным о потере, данной значение по умолчанию (LGD). Этот пример демонстрирует следующие подходы:

Скрипт Open Live Script
Modeling Probabilities of Default with Cox Proportional Hazards

Моделирование вероятностей значения по умолчанию с Cox пропорциональные опасности

Работа с потребителем (розничная продажа) данные о панели кредита, чтобы визуализировать наблюдаемые вероятности значения по умолчанию (ФУНТЫ) на разных уровнях. Это также показывает, как подбирать модель пропорциональных опасностей (PH) Cox, также известную как регрессию Cox, чтобы предсказать ФУНТЫ. Кроме того, это показывает, как выполнить анализ стресс-тестирования, как смоделировать пожизненные ФУНТЫ, и как вычислить пожизненное значение ожидаемой потери кредита (ECL).

Скрипт Open Live Script
Compare Probability of Default Using Through-the-Cycle and Point-in-Time Models

Сравните вероятность значения по умолчанию Используя модели и момента времени через цикл

Работа с данными о панели потребительского кредита, чтобы создать через цикл (TTC) и модели момента времени (PIT) и сравнить их соответствующие вероятности значения по умолчанию (PD).

Скрипт Open Live Script
Compare Deep Learning Networks for Credit Default Prediction

Сравните нейронные сети для глубокого обучения для предсказания значения по умолчанию кредита

Создайте, обучите и сравните три нейронных сети для глубокого обучения для предсказания вероятности значения по умолчанию кредита.

Interpret and Stress-Test Deep Learning Networks for Probability of Default

Интерпретируйте и нейронные сети для глубокого обучения стресс-теста для вероятности значения по умолчанию

Обучите кредитный риск вероятности значения по умолчанию (PD) предсказание с помощью глубокой нейронной сети. Пример также показывает, как использовать локально поддающиеся толкованию объяснения модели агностические (LIME) и значения Шепли interpretability методы, чтобы изучить предсказания модели. Кроме того, пример анализирует предсказания модели для значений из выборки и выполняет анализ стресс-тестирования.

Скрипт Open Live Script

Документация Risk Management Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте