Создайте Probit объект модели для пожизненной вероятности значения по умолчанию
Создайте и анализируйте Probit объект модели, чтобы вычислить пожизненную вероятность значения по умолчанию (PD) с помощью этого рабочего процесса:
Использование fitLifetimePDModel создать Probit 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.
ProbitPDModel = fitLifetimePDModel(data,ModelType)Probit 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.
ProbitPDModel = fitLifetimePDModel(___,Name,Value)ProbitPDModel = fitLifetimePDModel(data(TrainDataInd,:),"Probit",'ModelID',"Probit_A",'Descripion',"Probit_model",'AgeVar',"YOB",'IDVar',"ID",'LoanVars',"ScoreGroup",'MacroVars',{'GDP','Market'},'ResponseVar',"Default") создает ProbitPDModel объект с помощью Probit 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 Probit 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 Probit Пожизненная модель PD
Используйте fitLifetimePDModel создать Probit модель с помощью обучающих данных.
pdModel = fitLifetimePDModel(data(TrainDataInd,:),"Probit",... 'AgeVar','YOB',... 'IDVar','ID',... 'LoanVars','ScoreGroup',... 'MacroVars',{'GDP','Market'},... 'ResponseVar','Default'); disp(pdModel)
Probit with properties:
ModelID: "Probit"
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:
probit(Default) ~ 1 + ScoreGroup + YOB + GDP + Market
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
__________ _________ _______ ___________
(Intercept) -1.6267 0.03811 -42.685 0
ScoreGroup_Medium Risk -0.26542 0.01419 -18.704 4.5503e-78
ScoreGroup_Low Risk -0.46794 0.016364 -28.595 7.775e-180
YOB -0.11421 0.0049724 -22.969 9.6208e-117
GDP -0.041537 0.014807 -2.8052 0.0050291
Market -0.0029609 0.0010618 -2.7885 0.0052954
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
0.0095
0.0054
0.0045
0.0039
0.0036
0.0036
0.0017
0.0009
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
0.0095
0.0149
0.0193
0.0232
0.0267
0.0302
0.0318
0.0327
Подтвердите модель
Используйте modelDiscrimination измерять рейтинг клиентов PD.
DiscMeasure = modelDiscrimination(pdModel,data(TestDataInd,:),'DataID','test data'); disp(DiscMeasure)
AUROC
_______
Probit, test data 0.69984
Используйте modelDiscriminationPlot визуализировать кривую ROC.
modelDiscriminationPlot(pdModel,data(TestDataInd,:),'DataID','test data');
Используйте modelAccuracy измерять точность предсказанных значений PD. 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
__________
Probit, grouped by Year, test data 0.00039494
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.