Создайте Regression объект модели за потерю, данную значение по умолчанию
Создайте и анализируйте Regression объект модели, чтобы вычислить потерю, данную значение по умолчанию (LGD) с помощью этого рабочего процесса:
Использование fitLGDModel создать Regression объект модели.
Использование predict предсказать LGD.
Использование modelDiscrimination возвратить данные ROC и AUROC. Можно построить использование результатов modelDiscriminationPlot.
Использование modelAccuracy возвратить R-квадрат, RMSE, корреляцию и демонстрационную среднюю погрешность предсказанных и наблюдаемых данных LGD. Можно построить использование результатов modelAccuracyPlot.
RegressionLGDModel = fitLGDModel(___,Name,Value)lgdModel = fitLGDModel(data,'regression','PredictorVars',{'LTV' 'Age' 'Type'},'ResponseVar','LGD','ResponseTransform','probit','BoundaryTolerance',1e-6) создает lgdModel объект с помощью Regression тип модели.
predict | Предскажите потерю, данную значение по умолчанию |
modelDiscrimination | Вычислите данные ROC и AUROC |
modelDiscriminationPlot | Постройте кривую ROC |
modelAccuracy | Вычислите R-квадрат, RMSE, корреляцию и демонстрационную среднюю погрешность предсказанного и наблюдаемого LGDs |
modelAccuracyPlot | График поля точек предсказанного и наблюдаемого LGDs |
В этом примере показано, как использовать fitLGDModel создать Regression модель для потери, данной значение по умолчанию (LGD).
Загрузите данные LGD
Загрузите данные LGD.
load LGDData.mat
head(data)ans=8×4 table
LTV Age Type LGD
_______ _______ ___________ _________
0.89101 0.39716 residential 0.032659
0.70176 2.0939 residential 0.43564
0.72078 2.7948 residential 0.0064766
0.37013 1.237 residential 0.007947
0.36492 2.5818 residential 0
0.796 1.5957 residential 0.14572
0.60203 1.1599 residential 0.025688
0.92005 0.50253 investment 0.063182
Создайте Regression Модель LGD
Используйте fitLGDModel создать Regression модель с помощью data.
lgdModel = fitLGDModel(data,'regression',... 'ModelID','Example Probit',... 'Description','Example LGD probit regression model.',... 'PredictorVars',{'LTV' 'Age' 'Type'},... 'ResponseVar','LGD','ResponseTransform','probit','BoundaryTolerance',1e-6); disp(lgdModel)
Regression with properties:
ResponseTransform: "probit"
BoundaryTolerance: 1.0000e-06
ModelID: "Example Probit"
Description: "Example LGD probit regression model."
UnderlyingModel: [1x1 classreg.regr.CompactLinearModel]
PredictorVars: ["LTV" "Age" "Type"]
ResponseVar: "LGD"
Отобразите базовую модель. Переменная отклика базовой модели является преобразованием пробита данных об ответе LGD. Используйте 'ResponseTransform' и 'BoundaryTolerance' аргументы, чтобы изменить преобразование.
disp(lgdModel.UnderlyingModel)
Compact linear regression model:
LGD_probit ~ 1 + LTV + Age + Type
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ _______ __________
(Intercept) -2.4011 0.11638 -20.632 2.5277e-89
LTV 1.3777 0.1357 10.153 6.9099e-24
Age -0.58387 0.028183 -20.717 5.2434e-90
Type_investment 0.60006 0.079658 7.5329 6.2863e-14
Number of observations: 3487, Error degrees of freedom: 3483
Root Mean Squared Error: 1.77
R-squared: 0.186, Adjusted R-Squared: 0.186
F-statistic vs. constant model: 266, p-value = 1.87e-155
Предскажите LGD
Для предсказания LGD используйте predict. Модель LGD применяет обратное преобразование, таким образом, предсказания находятся в шкале LGD, не в преобразованной шкале, используемой, чтобы подбирать базовую модель.
predictedLGD = predict(lgdModel,data(1:10,:))
predictedLGD = 10×1
0.0799
0.0039
0.0012
0.0045
0.0003
0.0127
0.0123
0.2041
0.0200
0.0016
Подтвердите модель LGD
Используйте modelDiscriminationPlot построить кривую ROC.
modelDiscriminationPlot(lgdModel,data)
Используйте modelAccuracyPlot показать график рассеивания предсказаний.
modelAccuracyPlot(lgdModel,data)
Можно преобразовать данные LGD с помощью моделей линейной регрессии.
Модели регрессии потери, данной значение по умолчанию (LGD) преобразовывают переменную отклика LGD
и подбирайте модель линейной регрессии
Для предсказания модели сначала предсказывают на преобразованном пробеле с помощью базовой модели линейной регрессии и предполагаемых коэффициентов
Можно затем применить обратное преобразование, чтобы возвратить предсказания по шкале LGD
Следующая таблица обобщает поддерживаемые преобразования с помощью ResponseTransform аргумент значения имени и их соответствующие инверсии, где Φ (x) является совокупным нормальным распределением:
[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.