预测
计算条件PD
描述
conditionalPD=预测(<一个href="#mw_f2c08ad6-ae33-487f-a5f7-93dcbf7180eb" class="intrnllnk">pdModel，<一个href="#mw_a951c184-48bc-4372-886c-25c6aa5378c4" class="intrnllnk">数据）
例子
利用Probit终身PD模型预测条件PD
这个例子展示了如何使用<一个href="//www.tatmou.com/help/risk/fitlifetimepdmodel.html" class="a">fitLifetimePDModel来拟合数据<一个href="//www.tatmou.com/help/risk/risk.credit.pd.probit.html" class="a">Probit然后预测违约的条件概率(PD)。
加载数据
加载信贷组合数据。
负载RetailCreditPanelData.matdisp(头(数据))
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 2004
disp(头(dataMacro))
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 9.48
将两个数据组件连接到一个数据集中。
data = join(data,dataMacro);disp(头(数据))
ID ScoreGroup YOB默认年份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 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 9.48
对数据进行分区
将数据分成训练分区和测试分区。
nIDs = max(data.ID);uniqueIDs =唯一的(data.ID);rng (“默认”）;再现率%c = cvpartition(nIDs，“坚持”, 0.4);TrainIDInd =训练(c);testdind =测试(c);TrainIDInd = ismember(data.ID,uniqueIDs(TrainIDInd));TestDataInd = ismember(data.ID,uniqueIDs(testdind));
创建一个Probit终身PD模型
使用<一个href="//www.tatmou.com/help/risk/fitlifetimepdmodel.html" class="a">fitLifetimePDModel要创建<一个href="//www.tatmou.com/help/risk/risk.credit.pd.probit.html" class="a">Probit模型。
pdModel = fitLifetimePDModel(data(TrainDataInd，:))，“Probit”，.．.“AgeVar”，“小无赖”，.．.“IDVar”，“ID”，.．.“LoanVars”，“ScoreGroup”，.．.“MacroVars”, {“国内生产总值”，“市场”}，.．.“ResponseVar”，“默认”）;disp (pdModel)
Probit与属性:ModelID: "Probit"描述:""模型:[1x1 classreg.regr。CompactGeneralizedLinearModel] IDVar: "ID" AgeVar: "YOB" LoanVars: "ScoreGroup" MacroVars: ["GDP" "市场"]responsear: "违约"
显示底层模型。
disp (pdModel.Model)
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 __________ _________ _______ ___________(截距)-1.6267 0.03811 -42.685 0 ScoreGroup_Medium风险-0.26542 0.01419 -18.704 4.5503e-78 ScoreGroup_Low风险- 0.0.46794 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市场-0.0029609 0.0010618 -2.7885 0.0052954 388097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= 0
训练和测试数据预测
预测训练或测试数据集的PD。
DataSetChoice =“培训”；如果DataSetChoice = =“培训”Ind = TrainDataInd;其他的Ind = TestDataInd;结束%预测条件PDPD = predict(pdModel,data(Ind，:));头(数据(印第安纳州,:))
ans =8×7表ID ScoreGroup YOB默认年份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 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 9.48
disp (PD (1:8))
0.0095 0.0054 0.0045 0.0039 0.0036 0.0036 0.0017 0.0009
您可以使用以下工具分析和验证这些预测<一个href="//www.tatmou.com/help/risk/logistic.modeldiscrimination_lifetimepd.html" class="a">modelDiscrimination而且<一个href="//www.tatmou.com/help/risk/logistic.modelaccuracy_lifetimepd.html" class="a">modelAccuracy．
用Cox终身PD模型预测条件PD
这个例子展示了如何使用<一个href="//www.tatmou.com/help/risk/fitlifetimepdmodel.html" class="a">fitLifetimePDModel来拟合数据<一个href="//www.tatmou.com/help/risk/risk.credit.pd.cox.html" class="a">考克斯然后预测违约的条件概率(PD)。
加载数据
加载信贷组合数据。
负载RetailCreditPanelData.matdisp(头(数据))
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 2004
disp(头(dataMacro))
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 9.48
将两个数据组件连接到一个数据集中。
data = join(data,dataMacro);disp(头(数据))
ID ScoreGroup YOB默认年份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 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 9.48
对数据进行分区
将数据分成训练分区和测试分区。
nIDs = max(data.ID);uniqueIDs =唯一的(data.ID);rng (“默认”）;再现率%c = cvpartition(nIDs，“坚持”, 0.4);TrainIDInd =训练(c);testdind =测试(c);TrainIDInd = ismember(data.ID,uniqueIDs(TrainIDInd));TestDataInd = ismember(data.ID,uniqueIDs(testdind));
创建一个考克斯终身PD模型
使用<一个href="//www.tatmou.com/help/risk/fitlifetimepdmodel.html" class="a">fitLifetimePDModel要创建<一个href="//www.tatmou.com/help/risk/risk.credit.pd.cox.html" class="a">考克斯模型。
ModelType =“考克斯”；pdModel = fitLifetimePDModel(data(TrainDataInd，:)，ModelType，.．.“IDVar”，“ID”，“AgeVar”，“小无赖”，.．.“LoanVars”，“ScoreGroup”，“MacroVars”, {“国内生产总值”“市场”}，.．.“ResponseVar”，“默认”）;disp (pdModel)
考克斯与属性:时间间隔:1 ExtrapolationFactor: 1 ModelID:“考克斯”描述:“”模型:[1x1 CoxModel] IDVar:“ID”AgeVar:“YOB”LoanVars:“ScoreGroup”MacroVars:[“GDP”“市场”]responsear:“违约”
显示底层模型。
disp (pdModel.Model)
Cox比例危害回归模型:Beta SE zStat pValue __________ _________ _______ ___________ ScoreGroup_Medium Risk -0.6794 0.037029 -18.348 3.4442e-75 ScoreGroup_Low Risk -1.2442 0.045244 -27.501 1.7116e-166 GDP -0.084533 0.043687 -1.935 0.052995 Market -0.0084411 0.0032221 -2.6198 0.0087991
预测训练数据中未观察到的年龄值
Cox模型对训练数据中观察到的年龄值范围进行预测。要外推训练数据中大于最大年龄的年龄，需要一个外推规则。
当使用预测与一个<一个href="//www.tatmou.com/help/risk/risk.credit.pd.cox.html" class="a">考克斯模型，你可以设置ExtrapolationFactor的属性<一个href="//www.tatmou.com/help/risk/risk.credit.pd.cox.html" class="a">考克斯模型。默认情况下，ExtrapolationFactor设置为1．年龄值(AgeVar)大于训练数据中观察到的最大年龄，预测使用训练数据中观察到的最大年龄来计算条件PD。特别是，如果预测值不改变，只有年龄值改变时，预测PD值是常数ExtrapolationFactor是1．
为了说明这一点，选择与单个ID对应的行，并添加新的年龄增量值的新行，超出训练数据中观察到的最大年龄。训练数据中观察到的最大年龄为8岁;出于说明目的，添加带有年龄的行9，10，11,12．
%选择一个ID对应的行% ID 1从第1行到第8行只需要ID、年龄(YOB)和预测变量dataNewAge =数据(1:8，{“ID”“小无赖”“ScoreGroup”“国内生产总值”“市场”})；%分配更多行这一行复制了相同的预测值dataNewAge(9:12，:) = repmat(dataNewAge(8，:)，4,1);重置年龄值为9,10,11,12dataNewAge.YOB(9:12) = (9:12)';显示新的数据集disp (dataNewAge)
ID小无赖ScoreGroup GDP市场 __ ___ __________ _____ ______ 1 1低风险2.72 - 7.61 1 2低风险低风险2.86 - 18.1 3.57 - 26.24 1 - 3 1 4低风险2.43 - 3.19 1 5低风险1.26 -10.51 1 6低风险-0.59 -22.95 1 7低风险0.63 2.78 1 8低风险1.85 - 9.48 1 9低风险1.85 - 9.48 1 10 11低风险低风险1.85 9.48 1 1.85 9.48 1 12低风险1.85 - 9.48
当具有新年龄值的行中预测值不变且外推因子为时1时，预测PD值为常数。如果将外推因子设置为小于1，则随着年龄值的增大，预测PD值逐渐减小，并以指数形式向零递减。
%外推因子可调整pdModel。Extr一个pol一个t我onF一个ctor =1；将预测的条件PD存储在同一个表中dataNewAge。PD=预测(pdModel，d一个t一个NewAge); disp(dataNewAge)
ID小无赖ScoreGroup GDP市场PD __ ___ __________ _____ ______ __________ 1 1低风险2.72 7.61 0.0092197 1 2低风险低风险2.86 18.1 0.0046079 3.57 26.24 0.005158 1 - 3 1 4低风险2.43 3.19 0.0041351 1 5低风险6低风险-0.59 -22.95 0.0041128 1.26 -10.51 0.003645 1 1 7低风险0.63 2.78 0.0017034 1 8低风险1.85 9.48 0.00092551 1 9低风险1.85 9.48 0.00092551 1 10 11低风险低风险1.85 9.48 0.00092551 1 12低风险1.85 9.48 0.00092551 1.85 9.48 0.00092551 1
此外，观察外推因子对寿命预测的影响也是有用的。
绘制预测的条件PD值和寿命PD值，以查看外推因素对这两个概率的影响。垂直虚线分隔了已知的年龄值(直到并包括年龄值)8)，从训练数据中没有观察到的年龄值(大于8)．如果外推因子是1，寿命PD呈稳定上升趋势，条件PD为常数。如果外推因子设置为较小的值，如0．5，生命周期PD迅速变平，因为条件PD迅速下降到零。
dataNewAge。LifetimePD = predictLifetime(pdModel,dataNewAge);图;yyaxis左情节(dataNewAge.YOB dataNewAge.PD,‘*’) ylabel (“有条件的PD”) yyaxis正确的情节(dataNewAge.YOB dataNewAge.LifetimePD) ylabel (“一生PD”)标题(“未观察到年龄值的外推PD”)包含(“年龄”)参照线(8,“:”，样本外的网格)在
输入参数
输出参数
更多关于
参考文献
[1] Baesens, Bart, Daniel Roesch和Harald Scheule。信用风险分析:SAS中的测量技术、应用和示例。威利,2016年。
贝利尼，蒂齐亚诺。IFRS 9和CECL信用风险建模和验证:R和SAS中实例的实用指南。加州圣地亚哥:爱思唯尔，2019年。
布里登，约瑟夫。与CECL一起生活:建模词典。圣达菲，NM: Prescient Models LLC, 2018。
Roesch, Daniel和Harald Scheule。深度信用风险:使用Python的机器学习。独立出版，2020年。
另请参阅
modelAccuracy|modelDiscrimination|modelDiscriminationPlot|modelAccuracyPlot|predictLifetime|fitLifetimePDModel|物流|Probit|考克斯
您也可以从以下列表中选择一个网站:
