Создайте Logistic объект модели для пожизненной вероятности значения по умолчанию
Создайте и анализируйте Logistic объект модели, чтобы вычислить пожизненную вероятность (PD) значения по умолчанию с помощью этого рабочего процесса:
Использование fitLifetimePDModel создать Logistic объект модели.
Использование predict предсказать условный PD и predictLifetime предсказать пожизненный PD.
Использование modelDiscrimination возвратить данные ROC и AUROC. Можно построить использование результатов modelDiscriminationPlot.
Использование modelAccuracy возвратить RMSE наблюдаемых и предсказанных данных о PD. Можно построить использование результатов modelAccuracyPlot.
LogisticPDModel = fitLifetimePDModel(data,ModelType)Logistic Объект модели PD.
Если вы не указываете переменную информацию для IDVar, AgeVar, LoanVars, MacroVars, и ResponseVarто:
IDVar установлен в первый столбец в data входной параметр.
LoanVars набор должен включать все столбцы от второго до предпоследних столбцов data входной параметр.
ResponseVar установлен в последний столбец в data входной параметр.
LogisticPDModel = fitLifetimePDModel(___,Name,Value)LogisticPDModel = fitLifetimePDModel(data(TrainDataInd,:),"Logistic",'ModelID',"Logistic_A",'Description',"Logisitic_model",'AgeVar',"YOB",'IDVar',"ID",'LoanVars',"ScoreGroup",'MacroVars',{'GDP','Market'}'ResponseVar',"Default") создает LogisticPDModel объект с помощью Logistic тип модели.
predict | Вычислите условный PD |
predictLifetime | Вычислите совокупный пожизненный PD, крайний PD и вероятность выживания |
modelDiscrimination | Вычислите данные ROC и AUROC |
modelAccuracy | Вычислите RMSE предсказанных и наблюдаемых ФУНТОВ на сгруппированных данных |
modelDiscriminationPlot | Постройте кривую ROC |
modelAccuracyPlot | Постройте наблюдаемые уровни по умолчанию по сравнению с предсказанными ФУНТАМИ на сгруппированных данных |
В этом примере показано, как использовать fitLifetimePDModel создать Logistic модель с помощью кредита и макроэкономических данных.
Загрузка данных
Загрузите данные о кредитном портфеле.
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
Соедините 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 разделе
Разделите данные на обучение и протестируйте 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 Logistic Пожизненная модель PD
Используйте fitLifetimePDModel создать Logistic модель с помощью обучающих данных.
pdModel = fitLifetimePDModel(data(TrainDataInd,:),"Logistic",... 'AgeVar','YOB',... 'IDVar','ID',... 'LoanVars','ScoreGroup',... 'MacroVars',{'GDP','Market'},... 'ResponseVar','Default'); disp(pdModel)
Logistic with properties:
ModelID: "Logistic"
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:
logit(Default) ~ 1 + ScoreGroup + YOB + GDP + Market
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
__________ _________ _______ ___________
(Intercept) -2.7422 0.10136 -27.054 3.408e-161
ScoreGroup_Medium Risk -0.68968 0.037286 -18.497 2.1894e-76
ScoreGroup_Low Risk -1.2587 0.045451 -27.693 8.4736e-169
YOB -0.30894 0.013587 -22.738 1.8738e-114
GDP -0.11111 0.039673 -2.8006 0.0051008
Market -0.0083659 0.0028358 -2.9502 0.0031761
388097 observations, 388091 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 1.85e+03, p-value = 0
Предскажите условный и пожизненный PD
Используйте predict функция, чтобы предсказать условные значения PD. Предсказание является предсказанием строки строкой.
dataCustomer1 = data(1:8,:); CondPD = predict(pdModel,dataCustomer1)
CondPD = 8×1
0.0092
0.0053
0.0045
0.0039
0.0037
0.0037
0.0019
0.0012
Используйте predictLifetime предсказать пожизненные совокупные значения PD (вычисляющий крайний и значения PD выживания также поддерживается). predictLifetime функционируйте использует переменную ID (см. 'IDVar' свойство для Logistic объект), чтобы преобразовать условные ФУНТЫ к совокупным ФУНТАМ для каждого ID.
LifetimePD = predictLifetime(pdModel,dataCustomer1)
LifetimePD = 8×1
0.0092
0.0145
0.0189
0.0228
0.0264
0.0300
0.0319
0.0330
Подтвердите модель
Используйте modelDiscrimination измерять рейтинг клиентов PD.
DiscMeasure = modelDiscrimination(pdModel,data(TestDataInd,:),'DataID','test data'); disp(DiscMeasure)
AUROC
_______
Logistic, test data 0.70009
Используйте modelDiscriminationPlot визуализировать кривую ROC.
modelDiscriminationPlot(pdModel,data(TestDataInd,:),'DataID','test data');
Используйте modelAccuracy измерять точность предсказанных значений PD, также известных как калибровку модели. modelAccuracy функция требует сгруппированной переменной и сравнивает точность наблюдаемого уровня по умолчанию в группе со средним предсказанным PD для группы. Например, можно сгруппироваться к календарному году с помощью 'Year' переменная.
AccMeasure = modelAccuracy(pdModel,data(TestDataInd,:),'Year','DataID','test data'); disp(AccMeasure)
RMSE
________
Logistic, grouped by Year, test data 0.000453
Используйте modelAccuracyPlot визуализировать наблюдаемые уровни по умолчанию по сравнению с предсказанными вероятностями значения по умолчанию (PD).
modelAccuracyPlot(pdModel,data(TestDataInd,:),'Year','DataID','test data');
[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] Breeden, Джозеф. Проживание с CECL: словарь моделирования. Санта-Фе, NM: наделенный даром предвидения LLC моделей, 2018.
[4] Roesch, Дэниел и Харальд Шойле. Глубокий Кредитный риск: Машинное обучение с Python. Независимо опубликованный, 2020.