Воздействие в значении по умолчанию (EAD) является воздействием потерь для банка когда должник значения по умолчанию по ссуде.
Например, резервы потерь обычно оцениваются как ожидаемая потеря (EL), данная следующей формулой:
EL = PD × LGD × EAD
С увеличенной доступностью данных существует несколько различных типов моделей EAD. Поддержки Risk Management Toolbox™:
Модели регрессии — Это модели линейной регрессии, где ответ является преобразованием данных EAD. Для получения дополнительной информации о поддерживаемых преобразованиях смотрите Regression.
Товит моделирует — Это подвергнутые цензуре модели регрессии с явными пределами на значениях отклика. При цензурировании слева, поддерживаются право или обе стороны. Для получения дополнительной информации смотрите Tobit.
Risk Management Toolbox поддерживает моделирование и валидацию моделей EAD через семейство поддержки классов:
Модель, соответствующая fitEADModel
Предсказание EAD с predict функция
Метрики дискриминации модели с modelDiscrimination функция и визуализация с modelDiscriminationPlot функция
Метрики точности модели с modelAccuracy функция и визуализация с modelAccuracyPlot функция
Поддерживаемыми типами модели является Regression и Tobit модели.
Типичный рабочий процесс моделирования для анализа EAD включает:
Подготовка данных
Подготовка данных для моделирования EAD требует существенного количества работы на практике. Подготовка данных требует консолидации сведений об аккаунте, вытягивая данные из нескольких источников данных, составляя восстановления, прямые и косвенные затраты, намерение учетных ставок определить наблюдаемые значения EAD. Существует, также работают относительно преобразований предиктора и экранирования. Существует широкий спектр инструментов, доступных, чтобы обработать недостающие данные (использующий fillmissing), выбросы указателя (использующий filloutliers), и выполните другие задачи подготовки данных. Выход подготовки данных является обучающим набором данных со столбцами предиктора и столбцом ответа, содержащим значения EAD.
Подбор кривой модели
Используйте fitEADModel функция, чтобы подбирать модель EAD. Необходимо использовать ранее подготовленные данные и выбрать тип модели. Дополнительные входные параметры позволяют вам указывать, который переменные соответствуют переменным предикторам, или который преобразование использовать для Regression модель или сторона цензурирования для Tobit модель. Можно задать описание модели и также задать модель ID или тег для создания отчетов о целях во время проверки допустимости модели.
Проверка допустимости модели
Существует несколько задач, вовлеченных в проверку допустимости модели, включая
Смотрите базовую статистическую модель, которая хранится в 'UnderlyingModel' свойство Regression или Tobit объект.
Измерьте дискриминацию модели или на обучении или на тестовых данных с modelDiscrimination функция. Визуализация сгенерирована с помощью modelDiscriminationPlot функция. Данные могут быть сегментированы, чтобы измерить дискриминацию по различным сегментам.
Измерьте точность модели или на обучении или на тестовых данных с modelAccuracy функция. Визуализация сгенерирована с помощью modelAccuracyPlot функция. Кроме того, можно визуализировать остаточные значения.
[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] Браун, Иэн. Разработка Моделей Кредитного риска Используя Шахтера Предприятия SAS и SAS/STAT: Теория и Приложения. SAS Institute, 2014.
[4] Roesch, Дэниел и Харальд Шойле. Глубокий Кредитный риск. Независимо опубликованный, 2020.
fitEADModel | predict | modelDiscrimination | modelDiscriminationPlot | modelAccuracy | modelAccuracyPlot | Regression | Tobit
