predictLifetimegydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
计算违约(PD)、边际PD和生存概率的累积生命周期概率。gydF4y2BaLifeTimePredictedPDgydF4y2Ba
= predictLifetime (gydF4y2BapdModelgydF4y2Ba
,gydF4y2Ba数据gydF4y2Ba
)gydF4y2Ba
除了前面语法中的输入参数外,还使用一个或多个名称-值对参数指定选项。gydF4y2BaLifeTimePredictedPDgydF4y2Ba
= predictLifetime (gydF4y2Ba___gydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
例子gydF4y2Ba
用Probit寿命PD模型预测寿命PDgydF4y2Ba
这个例子展示了如何使用gydF4y2BafitLifetimePDModelgydF4y2Ba
拟合数据gydF4y2BaProbitgydF4y2Ba
模型,然后预测生命周期的违约概率(PD)。gydF4y2Ba
加载数据gydF4y2Ba
加载信贷组合数据。gydF4y2Ba
负载gydF4y2BaRetailCreditPanelData.matgydF4y2Badisp(头(数据))gydF4y2Ba
ID ScoreGroup YOB默认年份__ __________ __________ ____ 1低风险1 0 1997 1低风险20 1998 1低风险3 0 1999 1低风险4 0 2000 1低风险5 0 2001 1低风险6 0 2002 1低风险7 0 2003 1低风险8 0 2004gydF4y2Ba
disp(头(dataMacro))gydF4y2Ba
年GDP市场____ _____ ______ 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 9.48gydF4y2Ba
将两个数据组件连接到单个数据集。gydF4y2Ba
data = join(data,dataMacro);disp(头(数据))gydF4y2Ba
ID ScoreGroup YOB违约年份GDP市场__ __________ __________ _________ ______ 1低风险10 1997 2.72 7.61 1低风险20 1998 3.57 26.24 1低风险3 0 1999 2.86 18.1低风险4 0 2000 2.43 3.19 1低风险5 0 2001 1.26 -10.51 1低风险6 0 2002 -0.59 -22.95 1低风险7 0 2003 0.63 2.78 1低风险8 0 2004 1.85 9.48gydF4y2Ba
对数据进行分区gydF4y2Ba
将数据分成训练分区和测试分区。gydF4y2Ba
nIDs = max(data.ID);uniqueIDs = unique(data.ID);rng (gydF4y2Ba“默认”gydF4y2Ba);gydF4y2Ba再现性%gydF4y2Bac = cvpartition(nIDs,gydF4y2Ba“坚持”gydF4y2Ba, 0.4);TrainIDInd = training(c);testdd = test(c);TrainDataInd = ismember(data.ID,uniqueIDs(TrainIDInd));TestDataInd = ismember(data.ID,uniqueIDs(testdind));gydF4y2Ba
创建一个gydF4y2BaProbitgydF4y2Ba
寿命PD模型gydF4y2Ba
使用gydF4y2BafitLifetimePDModelgydF4y2Ba
创建一个gydF4y2BaProbitgydF4y2Ba
使用训练数据建模。gydF4y2Ba
pdModel = fitLifetimePDModel(data(TrainDataInd,:),gydF4y2Ba“Probit”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“AgeVar”gydF4y2Ba,gydF4y2Ba“小无赖”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“IDVar”gydF4y2Ba,gydF4y2Ba“ID”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“LoanVars”gydF4y2Ba,gydF4y2Ba“ScoreGroup”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“MacroVars”gydF4y2Ba, {gydF4y2Ba“国内生产总值”gydF4y2Ba,gydF4y2Ba“市场”gydF4y2Ba},gydF4y2Ba…gydF4y2Ba“ResponseVar”gydF4y2Ba,gydF4y2Ba“默认”gydF4y2Ba);disp (pdModel)gydF4y2Ba
带有属性的Probit: ModelID:“Probit”描述:“”UnderlyingModel: [1x1 classregg .regr.]CompactGeneralizedLinearModel] IDVar: "ID" AgeVar: "YOB" LoanVars: "ScoreGroup" MacroVars: ["GDP" "Market"] ResponseVar: "Default"gydF4y2Ba
显示底层模型。gydF4y2Ba
disp (pdModel.Model)gydF4y2Ba
紧凑广义线性回归模型:probit(Default) ~ 1 + ScoreGroup + YOB + GDP +市场分布=二项估计系数:估计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个观测值,388091误差自由度离散度:1 Chi^2统计与常数模型:1.85e+03, p值= 0gydF4y2Ba
预测培训和测试数据的寿命PDgydF4y2Ba
使用gydF4y2BapredictLifetimegydF4y2Ba
函数,以获得训练或测试数据的终身pd。要获取条件pd,请使用gydF4y2Ba预测gydF4y2Ba
函数。对于模型验证,请使用gydF4y2BamodelDiscriminationgydF4y2Ba
和gydF4y2BamodelCalibrationgydF4y2Ba
对训练或测试数据的功能。gydF4y2Ba
DataSetChoice =gydF4y2Ba“测试”gydF4y2Ba;gydF4y2Ba如果gydF4y2BaDataSetChoice = =gydF4y2Ba“培训”gydF4y2BaInd = TrainDataInd;gydF4y2Ba其他的gydF4y2BaInd = TestDataInd;gydF4y2Ba结束gydF4y2Ba预测寿命PD %gydF4y2BaPD = predictLifetime(pdModel,data(Ind,:));头(数据(印第安纳州,:))gydF4y2Ba
ID ScoreGroup YOB违约年份GDP市场__ ___________ __________ _________ ______ 2中等风险10 1997 2.72 7.61 2中等风险20 1998 3.57 26.24 2中等风险3 0 1999 2.86 18.1 2中等风险4 0 2000 2.43 3.19 2中等风险5 0 2001 1.26 -10.51 2中等风险6 0 2002 -0.59 -22.95 2中等风险7 0 2003 0.63 2.78 2中等风险8 0 2004 1.85 9.48gydF4y2Ba
预测新数据的寿命PDgydF4y2Ba
终身PD模型用于对现有贷款进行预测。的gydF4y2BapredictLifetimegydF4y2Ba
函数需要贷款和宏观预测因子在贷款剩余期限内的预测值。gydF4y2Ba
的gydF4y2BaDataPredictLifetime.matgydF4y2Ba
文件包含两个贷款和宏观变量的预测。一笔贷款在2019年底到期3年,有效期为10年,另一笔贷款到期6年,有效期为10年。的gydF4y2BaScoreGroupgydF4y2Ba
是常数,年龄值是增量的。对于宏观变量,宏观预测者的预测必须跨越投资组合中最长的生命周期。gydF4y2Ba
负载gydF4y2BaDataPredictLifetime.matgydF4y2Badisp (LoanData)gydF4y2Ba
ID ScoreGroup yb年份____ _____________ _______ 1304“中等风险”4 2020 1304“中等风险”5 2021 1304“中等风险”6 2022 1304“中等风险”7 2023 1304“中等风险”8 2024 1304“中等风险”9 2025 1304“中等风险”10 2026 2067“低风险”7 2020 2067“低风险”8 2021 2067“低风险”9 2022 2067“低风险”10 2023gydF4y2Ba
disp (MacroScenario)gydF4y2Ba
年GDP市场____ ___ ______ 2020 1.1 4.5 2021 0.9 1.5 2022 1.2 5 2023 1.4 5.5 2024 1.6 6 2025 1.8 6.5 2026 1.8 6.5 2027 1.8 6.5gydF4y2Ba
LifetimeData = join(LoanData,MacroScenario);disp (LifetimeData)gydF4y2Ba
ID ScoreGroup小无赖年国内生产总值(GDP)市场 ____ _____________ ___ ____ ___ ______ 1304“中等风险”4 2020 1.1 4.5 1304“中等风险”5 2021 0.9 1.2 1.5 1304“中等风险”6 2022 2023 1304“中等风险”7 1.6 1.4 5.5 1304“中等风险”8 2024 1304“中等风险”9 2025 1.8 6.5 1304 2026 1.8 6.5 2067“中等风险”“低风险”7 2020 1.1 4.5 2067“低风险”8 2021 1.2 0.9 1.5 2067“低风险”9 2022 2067 2023 1.4 - 5.5“低风险”gydF4y2Ba
为方便起见,预测生命周期pd并将输出存储为一个新的表列。gydF4y2Ba
LifetimeData。PredictedPD = predictLifetime(pdModel,LifetimeData); disp(LifetimeData)
ID ScoreGroup小无赖PredictedPD GDP年市场 ____ _____________ ___ ____ ___ ______ ___________ 1304“中等风险”4 2020 1.1 4.5 0.0080202 1304“中等风险”5 2021 0.9 1.5 0.014093 1304 6 2022 1.2 1304 0.018156“中等风险”“中等风险”7 2023 1.4 5.5 0.020941 1304 8 2024 1.6 0.022827 1304年“中等风险”“中等风险”9 2025 1.8 6.5 0.024086 1304 2026 1.8 6.5 0.024945 2067年“中等风险”“低风险”7 2020 1.1 4.5 0.0015728 2067“低风险”8 2021 0.9 1.5 0.0027146 2067 9 2022“低风险”1.250.003431 2067 "Low Risk" 10 2023 1.4 5.5 0.0038939
可视化公司预期的生命周期PD。gydF4y2Ba
CompanyIDChoice =gydF4y2Ba“1304”gydF4y2Ba;CompanyID = str2double(CompanyIDChoice);IndPlot = LifetimeData.ID==CompanyID;情节(LifetimeData.YOB (IndPlot) LifetimeData.PredictedPD (IndPlot))网格gydF4y2Ba在gydF4y2Ba包含(gydF4y2Ba“小无赖”gydF4y2Ba) xticks(LifetimeData.YOB(IndPlot)) ylabel(gydF4y2Ba“一生PD”gydF4y2Ba)标题(strcat (gydF4y2Ba“公司”gydF4y2Ba, CompanyIDChoice))gydF4y2Ba
寿命预测和时间间隔gydF4y2Ba
此示例显示了在使用时,时间间隔如何在生命周期预测中发挥重要作用gydF4y2Ba物流gydF4y2Ba
,gydF4y2BaProbitgydF4y2Ba
,或gydF4y2Ba考克斯gydF4y2Ba
违约概率模型(PD)每个PD值都是给定“时间间隔”(例如,1年的时间间隔)的默认概率。传递用于生命周期预测的数据行必须与时间间隔具有相同的周期性(也就是说,您不能传递代表一个季度的行,然后是代表一年的行,然后是代表5年的行。必须传递周期1,2,3,4,…的数据。,但不是1,3,7,10,20。或者如果时间间隔为3,则必须通过周期3,6,9,…或者2 5 8…,but not 3, 7, 15, 30.
拟合和验证模型gydF4y2Ba
负载gydF4y2BaRetailCreditPanelData.matgydF4y2Badata = join(data,dataMacro);头(数据)gydF4y2Ba
ID ScoreGroup YOB违约年份GDP市场__ __________ __________ _________ ______ 1低风险10 1997 2.72 7.61 1低风险20 1998 3.57 26.24 1低风险3 0 1999 2.86 18.1低风险4 0 2000 2.43 3.19 1低风险5 0 2001 1.26 -10.51 1低风险6 0 2002 -0.59 -22.95 1低风险7 0 2003 0.63 2.78 1低风险8 0 2004 1.85 9.48gydF4y2Ba
选择一个模型类型。中的数据验证行为gydF4y2BapredictLifetimegydF4y2Ba
取决于模型类型。有关更多信息,请参见gydF4y2Ba寿命预测数据输入的验证gydF4y2Ba。gydF4y2Ba
本例中的时间间隔为gydF4y2Ba1gydF4y2Ba
。该值存储在gydF4y2Ba考克斯gydF4y2Ba
模型为gydF4y2BaTimeIntervalgydF4y2Ba
属性,用于拟合和预测。gydF4y2Ba物流gydF4y2Ba
和gydF4y2BaProbitgydF4y2Ba
模型不存储时间间隔信息。gydF4y2Ba
ModelType =gydF4y2Ba“考克斯”gydF4y2Ba;pdModel = fitLifetimePDModel(data,ModelType,gydF4y2Ba…gydF4y2Ba“IDVar”gydF4y2Ba,gydF4y2Ba“ID”gydF4y2Ba,gydF4y2Ba“AgeVar”gydF4y2Ba,gydF4y2Ba“小无赖”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“LoanVars”gydF4y2Ba,gydF4y2Ba“ScoreGroup”gydF4y2Ba,gydF4y2Ba“MacroVars”gydF4y2Ba, {gydF4y2Ba“国内生产总值”gydF4y2Ba“市场”gydF4y2Ba},gydF4y2Ba…gydF4y2Ba“ResponseVar”gydF4y2Ba,gydF4y2Ba“默认”gydF4y2Ba);disp (pdModel)gydF4y2Ba
Cox with properties: TimeInterval: 1 ExtrapolationFactor: 1 ModelID: "Cox" Description: "" UnderlyingModel: [1x1 Cox model] IDVar: "ID" AgeVar: "YOB" LoanVars: "ScoreGroup" MacroVars: ["GDP" "Market"] ResponseVar: "Default"gydF4y2Ba
条件PD和模型验证gydF4y2Ba
返回的条件PD值gydF4y2Ba预测gydF4y2Ba
与用于训练模型的时间间隔一致。返回的所有PD值gydF4y2Ba预测gydF4y2Ba
是1年违约概率。的数据输入中没有对周期性进行验证gydF4y2Ba预测gydF4y2Ba
。gydF4y2Ba
dataprecdicexample = data([1 2 6 10 15],:);pdExample = predict(pdModel, dataprecdicexample)gydF4y2Ba
pdExample =gydF4y2Ba5×1gydF4y2Ba0.0089 0.0052 0.0038 0.0094 0.0031gydF4y2Ba
返回的条件PD完成模型验证gydF4y2Ba预测gydF4y2Ba
。中不存在行周期性验证gydF4y2BamodelDiscriminationgydF4y2Ba
或gydF4y2BamodelCalibrationgydF4y2Ba
。然而,模型验证需要响应变量的观察值,并且用于验证响应值的默认定义必须与训练一致gydF4y2Ba数据gydF4y2Ba
。换句话说,如果训练gydF4y2Ba数据gydF4y2Ba
的时间间隔gydF4y2Ba1gydF4y2Ba
,验证响应数据不能用季度默认数据定义。没有行周期性检查gydF4y2BamodelDiscriminationgydF4y2Ba
或gydF4y2BamodelCalibrationgydF4y2Ba
,则假设验证数据中的默认定义与训练数据一致。gydF4y2Ba
modelCalibrationPlot (pdModel、数据{gydF4y2Ba“小无赖”gydF4y2Ba,gydF4y2Ba“ScoreGroup”gydF4y2Ba})gydF4y2Ba
一生PDgydF4y2Ba
的gydF4y2BapredictLifetimegydF4y2Ba
函数用于计算寿命PD。在做一生预测时:gydF4y2Ba
可能会使用不同的数据集,不是用于训练和验证的数据,而是具有不同贷款前瞻性预测的新数据集。gydF4y2Ba
寿命预测数据集中的预估值跨越了未来几个时期,甚至可能是几年。gydF4y2Ba
加载gydF4y2BaDataPredictLifetime.matgydF4y2Ba
寿命预测数据。注意,对于预测,您不需要传递响应数据,只需传递预测器。您只传递响应值用于拟合或验证,而不是用于预测。gydF4y2Ba
负载gydF4y2BaDataPredictLifetime.matgydF4y2BaLifetimeData = join(LoanData,MacroScenario);disp (LifetimeData)gydF4y2Ba
ID ScoreGroup小无赖年国内生产总值(GDP)市场 ____ _____________ ___ ____ ___ ______ 1304“中等风险”4 2020 1.1 4.5 1304“中等风险”5 2021 0.9 1.2 1.5 1304“中等风险”6 2022 2023 1304“中等风险”7 1.6 1.4 5.5 1304“中等风险”8 2024 1304“中等风险”9 2025 1.8 6.5 1304 2026 1.8 6.5 2067“中等风险”“低风险”7 2020 1.1 4.5 2067“低风险”8 2021 1.2 0.9 1.5 2067“低风险”9 2022 2067 2023 1.4 - 5.5“低风险”gydF4y2Ba
这些行有年度数据,与用于训练的时间间隔一致。你可以在两个gydF4y2Ba一年gydF4y2Ba
变量和gydF4y2Ba小无赖gydF4y2Ba
变量。此数据集中没有用于生命周期预测的标志。gydF4y2Ba
LifetimeData。PD=预测(pdModel,LifetimeData); LifetimeData.LifetimePD = predictLifetime(pdModel,LifetimeData)
LifetimeData =gydF4y2Ba11×8表gydF4y2BaID ScoreGroup小无赖PD LifetimePD GDP年市场 ____ _____________ ___ ____ ___ ______ __________ __________ 1304“中等风险”4 1304 2020 1.1 4.5 0.0081336 0.0081336“中等风险”1304 2021 0.9 1.5 0.0063861 0.014468“中等风险”6 2022 1.2 0.0047416 0.019141 1304“中等风险”7 2023 1.4 5.5 0.0028262 0.021913 1304“中等风险”8 2024 1.6 0.0014844 0.023365 1304“中等风险”9 2025 1.8 6.5 0.0014517 0.024783 1304“中等风险”2026 1.8 6.5 0.0014517 0.026198 2067 2020“低风险”1.14.50.0016091 0.0016091 2067 "Low Risk" 8 2021 0.9 1.5 0.0009006 0.0025082 2067 "Low Risk" 9 2022 1.2 5 0.00085273 0.0033588 2067 "Low Risk" 10 2023 1.4 5.5 0.00083391 0.0041899
当行的周期性与训练数据中的周期性不匹配时,无法正确计算生命周期PD值。gydF4y2Ba
方法修改选中的行gydF4y2BaSelectedRowsgydF4y2Ba
变量在代码中的行为gydF4y2BapredictLifetimegydF4y2Ba
随着数据周期的变化。(另外,gydF4y2Ba小无赖gydF4y2Ba
可以手动修改值,以输入与1年时间间隔不一致的年龄增量。)gydF4y2Ba
RowSelection =gydF4y2Ba“所有行”gydF4y2Ba;gydF4y2Ba开关gydF4y2BaRowSelectiongydF4y2Ba情况下gydF4y2Ba“所有行”gydF4y2BaSelectedRows = 1:11;gydF4y2Ba%选择所有行1:11与上面的输出相同,没有警告gydF4y2Ba情况下gydF4y2Ba“隔一排”gydF4y2BaSelectedRows = 1:2:11;gydF4y2Ba%正常年龄增长,但跳过一年gydF4y2Ba情况下gydF4y2Ba“不规则”gydF4y2BaSelectedRows = [1 2 7 8 11];gydF4y2Ba%不规律的年龄增长gydF4y2Ba结束gydF4y2BaLifetimeData2 = LifetimeData(SelectedRows,{gydF4y2Ba“ID”gydF4y2Ba,gydF4y2Ba“ScoreGroup”gydF4y2Ba,gydF4y2Ba“小无赖”gydF4y2Ba,gydF4y2Ba“年”gydF4y2Ba,gydF4y2Ba“国内生产总值”gydF4y2Ba,gydF4y2Ba“市场”gydF4y2Ba});disp (LifetimeData2)gydF4y2Ba
ID ScoreGroup小无赖年国内生产总值(GDP)市场 ____ _____________ ___ ____ ___ ______ 1304“中等风险”4 2020 1.1 4.5 1304“中等风险”5 2021 0.9 1.2 1.5 1304“中等风险”6 2022 2023 1304“中等风险”7 1.6 1.4 5.5 1304“中等风险”8 2024 1304“中等风险”9 2025 1.8 6.5 1304 2026 1.8 6.5 2067“中等风险”“低风险”7 2020 1.1 4.5 2067“低风险”8 2021 1.2 0.9 1.5 2067“低风险”9 2022 2067 2023 1.4 - 5.5“低风险”gydF4y2Ba
LifetimeData2。PD=预测(pdModel,LifetimeData2); LifetimeData2.LifetimePD = predictLifetime(pdModel,LifetimeData2); disp(LifetimeData2)
ID ScoreGroup小无赖PD LifetimePD GDP年市场 ____ _____________ ___ ____ ___ ______ __________ __________ 1304“中等风险”4 1304 2020 1.1 4.5 0.0081336 0.0081336“中等风险”1304 2021 0.9 1.5 0.0063861 0.014468“中等风险”6 2022 1.2 0.0047416 0.019141 1304“中等风险”7 2023 1.4 5.5 0.0028262 0.021913 1304“中等风险”8 2024 1.6 0.0014844 0.023365 1304“中等风险”9 2025 1.8 6.5 0.0014517 0.024783 1304“中等风险”2026 1.8 6.5 0.0014517 0.026198 2067 2020“低风险”1.14.50.0016091 0.0016091 2067 "Low Risk" 8 2021 0.9 1.5 0.0009006 0.0025082 2067 "Low Risk" 9 2022 1.2 5 0.00085273 0.0033588 2067 "Low Risk" 10 2023 1.4 5.5 0.00083391 0.0041899
行为的差异取决于模型类型和年龄变量是否是模型的一部分。您可以在拟合步骤中更改模型类型,以查看不同模型类型的行为。删除年龄变量(gydF4y2BaAgeVargydF4y2Ba
)gydF4y2Ba物流gydF4y2Ba
和gydF4y2BaProbitgydF4y2Ba
当年龄输入参数不是模型的一部分时,用于观察行为的模型。请注意,年龄输入(gydF4y2BaAgeVargydF4y2Ba
)论证是a的必要条件gydF4y2Ba考克斯gydF4y2Ba
模型。有关更多信息,请参见gydF4y2Ba寿命预测的时间间隔和数据输入gydF4y2Ba。gydF4y2Ba
输入参数gydF4y2Ba
pdModelgydF4y2Ba
- - - - - -gydF4y2Ba违约模型概率gydF4y2Ba
物流gydF4y2Ba
对象gydF4y2Ba|gydF4y2BaProbitgydF4y2Ba
对象gydF4y2Ba|gydF4y2Ba考克斯gydF4y2Ba
对象gydF4y2Ba|gydF4y2BacustomLifetimePDModelgydF4y2Ba
对象gydF4y2Ba
默认模型的概率,指定为先前创建的gydF4y2Ba物流gydF4y2Ba
,gydF4y2BaProbitgydF4y2Ba
,或gydF4y2Ba考克斯gydF4y2Ba
对象使用gydF4y2BafitLifetimePDModelgydF4y2Ba
。或者,您可以使用创建默认模型的自定义概率gydF4y2BacustomLifetimePDModelgydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba对象gydF4y2Ba
数据gydF4y2Ba
- - - - - -gydF4y2Ba生命周期数据gydF4y2Ba
表格gydF4y2Ba
生命周期数据,指定为gydF4y2BaNumRowsgydF4y2Ba
——- - - - - -gydF4y2BaNumColsgydF4y2Ba
带有预测值的表,以进行生命周期预测。预测器名称和数据类型必须与底层模型一致。的gydF4y2BaIDVargydF4y2Ba
的性质gydF4y2BapdModelgydF4y2Ba
input用于标识表中包含ID值的列,ID用于标识与不同ID对应的行,并对每个ID进行生命周期预测。gydF4y2Ba
请注意gydF4y2Ba
为生命周期预测而传入数据的行必须具有与用于拟合模型的时间间隔相同的周期性。例如,如果用于训练的时间间隔是一年,那么用于生命周期预测的数据输入不能有季度数据,或者每五年的数据。gydF4y2Ba
相同ID的连续行gydF4y2Ba必须gydF4y2Ba对应连续的时间段。例如,如果用于训练的时间间隔为1年,则不能跳过年而传递第1、2、5、10年的数据。gydF4y2Ba
有关更多信息,请参见gydF4y2Ba寿命预测的数据输入gydF4y2Ba和gydF4y2Ba寿命预测的时间间隔和数据输入gydF4y2Ba。gydF4y2Ba
数据类型:gydF4y2Ba表格gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选的参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba名字gydF4y2Ba
是参数名和吗gydF4y2Ba价值gydF4y2Ba
是对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。gydF4y2Ba
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来gydF4y2Ba名字gydF4y2Ba
在报价。gydF4y2Ba
例子:gydF4y2BaLifetimeData = predictLifetime(pdModel,Data, ProbabilityType, survival)gydF4y2Ba
ProbabilityTypegydF4y2Ba
- - - - - -gydF4y2Ba概率型gydF4y2Ba
“累积”gydF4y2Ba
(默认)|gydF4y2Ba带值字符向量gydF4y2Ba“累积”gydF4y2Ba
,gydF4y2Ba“边际”gydF4y2Ba
,或gydF4y2Ba“生存”gydF4y2Ba
|gydF4y2Ba带值字符串gydF4y2Ba“累积”gydF4y2Ba
,gydF4y2Ba“边际”gydF4y2Ba
,或gydF4y2Ba“生存”gydF4y2Ba
概率类型,指定为由逗号分隔的对组成gydF4y2Ba“ProbabilityType”gydF4y2Ba
一个字符向量或字符串。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
输出参数gydF4y2Ba
LifeTimePredictedPDgydF4y2Ba
-预测寿命PD值gydF4y2Ba
向量gydF4y2Ba
预测的生命周期PD值,作为gydF4y2BaNumRowsgydF4y2Ba
——- - - - - -gydF4y2Ba1gydF4y2Ba
数值向量。gydF4y2Ba
更多关于gydF4y2Ba
一生PDgydF4y2Ba
一生PDgydF4y2Ba在金融资产的生命周期内发生违约事件的概率。gydF4y2Ba
寿命PD通常指累积违约概率,由gydF4y2Ba
在哪里gydF4y2BaTgydF4y2Ba是违约的时候了。gydF4y2Ba
例如,预测寿命,第二年的累积PD是借款人从现在到两年后任何时间违约的概率。gydF4y2Ba
与计算寿命期预期信用损失(ECL)密切相关的一个概念是gydF4y2Ba边际PDgydF4y2Ba,由gydF4y2Ba
一个密切相关的概率是gydF4y2Ba生存概率gydF4y2Ba,它是累积概率的补,报告为gydF4y2Ba
条件pd与生存概率的关系递归公式如下:gydF4y2Ba
在哪里gydF4y2BatgydF4y2Ba我gydF4y2Ba-gydF4y2BatgydF4y2Ba我gydF4y2Ba-1 = ΔgydF4y2BatgydF4y2Ba对所有gydF4y2Ba我gydF4y2Ba= 1,…,gydF4y2BangydF4y2Ba,以及ΔgydF4y2BatgydF4y2Ba是用于拟合模型的时间间隔。有关更多信息,请参见gydF4y2BaLogistic模型的时间间隔gydF4y2Ba和gydF4y2Ba概率模型的时间间隔gydF4y2Ba。换句话说,因为公式右侧的PD值是一段时间内的违约概率ΔgydF4y2BatgydF4y2Ba,递归中连续两次之间的增量必须始终为Δ长度gydF4y2BatgydF4y2Ba所有时期gydF4y2Ba我gydF4y2Ba= 1,2,…,gydF4y2BangydF4y2Ba。gydF4y2Ba
的gydF4y2BapredictLifetimegydF4y2Ba
函数调用gydF4y2Ba预测gydF4y2Ba
函数获取条件PD,然后使用前面的公式将其转换为生存、边际或生命周期累积PD。gydF4y2Ba
寿命预测的数据输入gydF4y2Ba
一生PDgydF4y2Ba是多个时期的累积违约概率。gydF4y2Ba
的输入gydF4y2BapredictLifetimegydF4y2Ba
函数应该包含每个ID的多行,其中的行表示有规律间隔的连续时间段。换句话说,数据应该是面板数据形式。相邻行之间的时间间隔必须与用于定义训练数据中默认二进制变量的时间间隔一致。有关更多信息,请参见gydF4y2Ba寿命预测的时间间隔和数据输入gydF4y2Ba。gydF4y2Ba
如果传递的数据集每个ID只有一行,则输出gydF4y2BapredictLifetimegydF4y2Ba
与的输出相同吗gydF4y2Ba预测gydF4y2Ba
因为PD只预测了一个时期(见公式gydF4y2Ba预测gydF4y2Ba
部分)。每个ID有多行数据集允许gydF4y2BapredictLifetimegydF4y2Ba
聚合多个周期内的违约概率,以获得累积PD。gydF4y2Ba
的gydF4y2BapredictLifetimegydF4y2Ba
函数通常用于对未偿还贷款的预测,其中预测变量值必须逐期预测未来的几个时期。虽然可以将面板数据形式的历史(训练或测试)数据集传递给gydF4y2BapredictLifetimegydF4y2Ba
,典型的工作流需要数据准备。它从未偿还贷款开始,其中只有预测变量的最新值是已知的。然后,数据准备工作将预测变量值投影到未来的多个时间段,通常直到贷款到期,以便进行终身分析。例如,参见gydF4y2Ba用函数句柄为决策树模型创建自定义生命周期PD模型gydF4y2Ba。gydF4y2Ba
寿命预测的时间间隔和数据输入gydF4y2Ba
的gydF4y2Ba时间间隔gydF4y2Ba用于拟合的模型对寿命预测起着重要的作用。gydF4y2Ba
的数据输入gydF4y2BapredictLifetimegydF4y2Ba
是面板数据形式,每个ID都有多行。每行都有一个隐式或显式的时间戳,连续行之间的时间增量必须与用于拟合模型的时间间隔相同。有关时间间隔的详细信息,请参见gydF4y2BaCox模型的时间间隔gydF4y2Ba,gydF4y2BaLogistic模型的时间间隔gydF4y2Ba,gydF4y2Ba概率模型的时间间隔gydF4y2Ba。gydF4y2Ba
的生命周期PD递归公式的符号gydF4y2Ba一生PDgydF4y2Ba,时间戳gydF4y2BatgydF4y2Ba1gydF4y2Ba,gydF4y2BatgydF4y2Ba2gydF4y2Ba、……gydF4y2BatgydF4y2BangydF4y2Ba连续行之间必须满足gydF4y2BatgydF4y2Ba我gydF4y2Ba-gydF4y2BatgydF4y2Ba我gydF4y2Ba1gydF4y2Ba=ΔgydF4y2BatgydF4y2Ba对所有gydF4y2Ba我gydF4y2Ba= 1,…,gydF4y2BangydF4y2Ba,其中ΔgydF4y2BatgydF4y2Ba是用于拟合模型的时间间隔。换句话说:gydF4y2Ba
中传递的行gydF4y2Ba
数据gydF4y2Ba
寿命预测的输入必须具有与用于拟合模型的时间间隔相同的周期性。例如,如果用于培训的时间间隔为1年,则gydF4y2Ba数据gydF4y2Ba
寿命预测的输入不能是季度数据或每5年的数据。gydF4y2Ba相同ID的连续行gydF4y2Ba必须gydF4y2Ba对应连续的时间段。例如,如果用于训练的时间间隔为1年,则不能跳过年份,传递第1、2、5、10年的数据。gydF4y2Ba
具体地说,假设时间间隔ΔgydF4y2BatgydF4y2Ba用来拟合的模型是1年。然后是公式右边的PD值gydF4y2Ba一生PDgydF4y2Ba是一年制博士。因此:gydF4y2Ba
无法计算季度数据的生命周期PD,因为S(gydF4y2Ba
1.25gydF4y2Ba
)≄s (gydF4y2Ba1gydF4y2Ba)(1 - pd (gydF4y2Ba1.25gydF4y2Ba
)),自PD(gydF4y2Ba1.25gydF4y2Ba
)是一个1年期的PD,它跨越了从gydF4y2Ba0.25gydF4y2Ba
来gydF4y2Ba1.25gydF4y2Ba
。gydF4y2Ba不能计算每5年数据的生命周期PD,因为S(gydF4y2Ba
10gydF4y2Ba
)≄s (gydF4y2Ba5gydF4y2Ba
)(1 - pd (gydF4y2Ba10gydF4y2Ba
)),自PD(gydF4y2Ba10gydF4y2Ba
)是一个1年期的PD,它跨越了从gydF4y2Ba9gydF4y2Ba
来gydF4y2Ba10gydF4y2Ba
。gydF4y2Ba不能计算非连续行的生存期PD。例如,如果gydF4y2Ba
数据gydF4y2Ba
输入的行分别对应第1、2、5和10年,则S(gydF4y2Ba1gydF4y2Ba
)及S(gydF4y2Ba2gydF4y2Ba
)可以正确计算,但S(gydF4y2Ba5gydF4y2Ba
)≄s (gydF4y2Ba2gydF4y2Ba
) (1 pd (gydF4y2Ba5gydF4y2Ba
因为PD()gydF4y2Ba5gydF4y2Ba
)是一个1年期的PD,它跨越了从gydF4y2Ba4gydF4y2Ba
来gydF4y2Ba5gydF4y2Ba
, S(gydF4y2Ba10gydF4y2Ba
)。gydF4y2Ba
寿命预测数据输入的验证gydF4y2Ba
对数据输入中的行周期性进行验证gydF4y2BapredictLifetimegydF4y2Ba
取决于模型类型(gydF4y2BaModelTypegydF4y2Ba
),以及模型是否包含年龄变量(gydF4y2BaAgeVargydF4y2Ba
)。gydF4y2Ba
考克斯gydF4y2Ba
模型可以验证数据的周期性,因为年龄变量(gydF4y2BaAgeVargydF4y2Ba
)是必需的输入参数和gydF4y2Ba考克斯gydF4y2Ba
模型存储时间间隔(gydF4y2BaTimeIntervalgydF4y2Ba
)来拟合模型。的gydF4y2BaTimeIntervalgydF4y2Ba
用于拟合模型和预测PD值。的时间间隔的更多信息gydF4y2Ba考克斯gydF4y2Ba
模型中,看到gydF4y2BaCox模型的时间间隔gydF4y2Ba。年龄变量(gydF4y2BaAgeVargydF4y2Ba
)作为时间维度。对于每个ID,如果gydF4y2Ba数据gydF4y2Ba
输入,通过年龄变量的增量来测量,与用于训练模型的时间间隔不匹配,则显示警告并填充寿命PD值gydF4y2Ba南gydF4y2Ba
年代。gydF4y2Ba
物流gydF4y2Ba
和gydF4y2BaProbitgydF4y2Ba
模型不存储时间间隔值。然而,预测的PD值仍然与训练数据中的(显式或隐式)时间间隔一致。有关更多信息,请参见gydF4y2BaLogistic模型的时间间隔gydF4y2Ba和gydF4y2Ba概率模型的时间间隔gydF4y2Ba。此外,对于gydF4y2Ba物流gydF4y2Ba
和gydF4y2BaProbitgydF4y2Ba
模型,年龄变量(gydF4y2BaAgeVargydF4y2Ba
)是可选的,并且没有其他方法可以指定模型中的时间维度。因此:gydF4y2Ba
如果gydF4y2Ba
物流gydF4y2Ba
或gydF4y2BaProbitgydF4y2Ba
模型没有年龄变量信息,没有办法验证数据的周期性。生命周期PD是使用递归计算的gydF4y2Ba一生PDgydF4y2Ba,假设周期性是正确的。调用者有责任确保数据行的周期性与训练中的时间间隔一致gydF4y2Ba数据gydF4y2Ba
。gydF4y2Ba如果gydF4y2Ba
物流gydF4y2Ba
或gydF4y2BaProbitgydF4y2Ba
模型有一个年龄变量(gydF4y2BaAgeVargydF4y2Ba
),这被用作时间维度。但是,由于用于训练数据的时间间隔是未知的gydF4y2Ba物流gydF4y2Ba
和gydF4y2BaProbitgydF4y2Ba
模型,这些模型只能验证年龄增量是如下规则的,但不能与参考时间间隔进行比较。gydF4y2Ba对于每个ID,当年龄显示不规则的年龄增量时,就会出现警告,并将生命周期PD值设置为gydF4y2Ba
南gydF4y2Ba
年代。gydF4y2Ba当每个ID的年龄增量是规则的,但有些ID的年龄增量与其他ID不同时,会显示警告,但不知道哪个ID的增量是错误的。中的递归计算生命周期PD值gydF4y2Ba一生PDgydF4y2Ba所有id。调用者有责任确保所有id的数据行的周期性与训练中的时间间隔一致gydF4y2Ba
数据gydF4y2Ba
。gydF4y2Ba
使用示例请参见gydF4y2Ba寿命预测和时间间隔gydF4y2Ba。gydF4y2Ba
参考文献gydF4y2Ba
[1] Baesens, Bart, Daniel Roesch和Harald schule。gydF4y2Ba信用风险分析:测量技术、应用和SAS中的例子。gydF4y2Ba威利,2016年。gydF4y2Ba
贝利尼,蒂齐亚诺。gydF4y2BaIFRS 9和CECL信用风险建模和验证:在R和SAS中工作的示例的实用指南。gydF4y2Ba圣地亚哥,加利福尼亚州:爱思唯尔,2019。gydF4y2Ba
布里登,约瑟夫。gydF4y2Ba与CECL一起生活:建模词典。gydF4y2Ba圣达菲,新墨西哥州:Prescient Models LLC, 2018。gydF4y2Ba
[4] Roesch, Daniel和Harald schule。gydF4y2Ba深度信用风险:Python机器学习。gydF4y2Ba独立出版,2020年。gydF4y2Ba
版本历史gydF4y2Ba
在R2020b中引入gydF4y2BaR2022b:gydF4y2Ba金宝app支持gydF4y2BacustomLifetimePDModelgydF4y2Ba
模型gydF4y2Ba
的gydF4y2BapdModelgydF4y2Ba
输入支持一个金宝app选项gydF4y2BacustomLifetimePDModelgydF4y2Ba
模型对象,您可以使用它来创建gydF4y2BacustomLifetimePDModelgydF4y2Ba
。gydF4y2Ba
另请参阅gydF4y2Ba
预测gydF4y2Ba
|gydF4y2BamodelDiscriminationgydF4y2Ba
|gydF4y2BamodelDiscriminationPlotgydF4y2Ba
|gydF4y2BamodelCalibrationgydF4y2Ba
|gydF4y2BamodelCalibrationPlotgydF4y2Ba
|gydF4y2BafitLifetimePDModelgydF4y2Ba
|gydF4y2Ba物流gydF4y2Ba
|gydF4y2BaProbitgydF4y2Ba
|gydF4y2Ba考克斯gydF4y2Ba
|gydF4y2BacustomLifetimePDModelgydF4y2Ba
Abrir比如gydF4y2Ba
Tiene una versión modificada de este ejemploo。是否对所有的修改进行了修改?gydF4y2Ba
MATLAB编程gydF4y2Ba
在MATLAB中,该函数对应于一个最基本的函数:gydF4y2Ba
在MATLAB中,用MATLAB编写了仿真程序。Los navegadores web no admit commandos de MATLAB。gydF4y2Ba
选择网站gydF4y2Ba
选择一个网站获取翻译后的内容,并查看当地的活动和优惠。根据您的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
你亦可选择下列网址:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站没有针对您所在位置的访问进行优化。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(全英文)gydF4y2Ba