Потеря, данная значение по умолчанию (LGD) является пропорцией кредита, который потерян в случае значения по умолчанию. LGD является одним из основных параметров для анализа кредитного риска. Несмотря на то, что существуют разные подходы, чтобы оценить резервы кредита потерь и капитал кредита, общие методологии требуют оценки вероятностей значения по умолчанию (PD), потеря, данная значение по умолчанию (LGD) и воздействие в значении по умолчанию (EAD). Резервы и потребности в капитале вычисляются с помощью формул или симуляций, которые используют эти параметры. 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 LGD. Поддержки Risk Management Toolbox™:
Модели регрессии — Это модели линейной регрессии, где ответ является преобразованием данных LGD. Для получения дополнительной информации о поддерживаемых преобразованиях смотрите Regression.
Товит моделирует — Это подвергнутые цензуре модели регрессии с явными пределами на значениях отклика, чтобы получить то, что LGD может принять значения только между 0 и 1. При цензурировании слева, поддерживаются право или обе стороны. Для получения дополнительной информации смотрите Tobit.
Потеря Модели, Данная пример По умолчанию, показывает, что эти два типа моделей, а также других моделей, адаптированы с помощью Statistics and Machine Learning Toolbox™. А именно, помимо регрессии и моделей Товита, этот пример также включает непараметрический, тип интерполяционной таблицы модели; Бета модель регрессии; и модель “2D этапа”, где модель классификации (средство исправления - никакое средство исправления) и модель регрессии (предсказал условное выражение LGD ни на каком средстве исправления) работают совместно, чтобы сделать предсказания LGD.
Кроме того, можно использовать Regression и Tobit модели, чтобы разработать модели LGD, которые включают макроэкономические предикторы для стресс-тестирования или поддерживать нормативные требования, такие как IFRS 9 и CECL. Для получения дополнительной информации см. Обзор Пожизненной Вероятности Моделей По умолчанию.
Risk Management Toolbox поддерживает моделирование и валидацию моделей LGD через семейство поддержки классов:
Модель, соответствующая fitLGDModel
Предсказание LGD 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 LGD включает:
Подготовка данных
Подготовка данных для моделирования LGD 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 LGD. 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 LGD.
Подбор кривой модели
Используйте fitLGDModel функция, чтобы подбирать модель LGD. 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 модели регрессии или стороны 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. Для получения дополнительной информации смотрите Основную Потерю, Данную Проверку допустимости модели По умолчанию.
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.
Подтвердите модель против сравнительного теста (например, модель чемпиона). Для получения дополнительной информации смотрите, Сравнивают Модель Товита LGD с Эталонной моделью.
Выполните анализ перекрестной проверки, чтобы сравнить альтернативные модели. Для получения дополнительной информации смотрите, Сравнивают Потерю, Данную Модели По умолчанию Используя Перекрестную проверку.
Выполните качественную оценку условных предсказаний PD при помощи predict функционируйте непосредственно со случаями ребра. Визуализируйте остаточные значения с помощью modelAccuracyPlot функция. Существуют примеры дополнительной визуализации с помощью гистограмм и диаграмм в Потере Модели, Данной пример По умолчанию.
[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] Gupton, G. и Р Стайн. "Losscalc v2: Динамическое Предсказание LGD Моделирование Методологии". Moody's KMV Investor Services, 2005.
fitLGDModel | predict | modelDiscrimination | modelDiscriminationPlot | modelAccuracy | modelAccuracyPlot | Regression | Tobit
