文件帮助中心文件
预测损失默认
LGD =预测(LGDModel,数据)
例子
LGD.=预测(lgdmodel.那数据的)计算默认值(LGD)的丢失。
LGD.=预测(lgdmodel.那数据的)
LGD.
lgdmodel.
数据
使用时回归模特,这预测功能在底层紧凑统计模型上运行,然后将预测值转换回LGD刻度。
回归
预测
使用时Tobit.模特,这预测函数操作底层Tobit.回归模型,并返回响应的无条件期望值,给出预测值。
Tobit.
全部折叠
这个例子展示了如何使用fitLGDModel用一个拟合数据回归然后预测给定默认值(LGD)的损失。
fitLGDModel
加载数据
加载给定默认数据的丢失。
加载lgddata.mat.头(数据)
ans =8×4表LTV年龄类型LGD _______ _______ ___________ _________ 0.89101 0.39716 0.032659住宅0.70176 2.0939 0.43564住宅0.72078 2.7948住宅0.0064766 0.37013 1.237住宅0.007947 0.36492 2.5818住宅0 0.796 1.5957住宅0.14572 0.60203 1.1599 0.025688住宅0.92005 0.50253 0.063182投资
对数据进行分区
将数据划分为训练和测试分区。
rng (“默认”);再现性的百分比NumObs =身高(数据);c = cvpartition (NumObs'坚持', 0.4);TrainingInd =培训(c);TestInd =测试(c);
创建回归乐金显示器模型
使用fitLGDModel创建一个回归模型使用培训数据。
lgdmodel = fitlgdmodel(数据(trainingind,:),“回归”);DISP(LGDMODEL)
与属性的回归:OrkeTransform:“Logit”边界特:1.0000E-05 ModulID:“回归”描述:“”底层图:[1x1 classReg.regr.comPactLinearModel]预测orvars:[“LTV”“年龄”“类型”] Responsevar:“LGD“
显示底层模型。
disp (lgdModel.UnderlyingModel)
紧凑型线性回归型号:LGD_LOGIT〜1 + LTV + AGE +型估计系数:估计___________________17.963 3.3172E-67 Type_Investment 1.4358 0.2475 5.8012 7.587E-09观察次数:2093,误差自由度:2089根均匀误差:4.24 R线:0.206,调整R断层:0.205 F统计与恒定模型:181,p值= 2.42E-104
在测试数据上预测LGD
使用预测预测测试数据集的LGD。
predigedlgd = predict(lgdmodel,data(testind,:))
predictedLGD =1394×10.0009 0.0037 0.1877 0.0011 0.0112 0.0420 0.0529 0.0000 0.0090 0.0239⋮
您可以使用分析和验证这些预测Modeldiscimination.和模糊舒适。
Modeldiscimination.
模糊舒适
这个例子展示了如何使用fitLGDModel用一个拟合数据Tobit.然后预测给定默认值(LGD)的损失。
创建Tobit.乐金显示器模型
使用fitLGDModel创建一个Tobit.模型使用培训数据。
lgdmodel = fitlgdmodel(数据(trainingind,:),“托比特书”);DISP(LGDMODEL)
TOBIT属性:审查员:“两个”leftlimit:0 rightLimit:1 ModelID:“Tobit”描述:“”底层墨西哥:[1x1 Risk.internal.Credit.TobitModel] PredictorVars:[“LTV”“yegy”“类型”)responsevar:“LGD”
Tobit回归模型:LGD = MAX(0,MIN(Y *,1))Y *〜1 + LTV + AGE +型估计系数:估计系数PVALUE ________________________________________________________________________________________________________________0.13581.7363E-10龄-0.095407 0.0072543 -13.152 0 TYPE_INVENTENT 0.10208 0.018054 5.6542 1.780254 5.6542 1.780254 5.6542 1.780254 5.6542 1.780254 5.6542 1.780254 51.6542 1.780254 51.346 0观测数量:2093左缩象的观察数:547未经审查的观察数:1521次审查数量观察结果:25 log-lotelihie:-698.383
predictedLGD =1394×10.0879 0.0943 0.3204 0.0934 0.1672 0.2238 0.2370 0.2370 0.0102 0.1592 0.1989⋮
损失给定的默认模型,指定为先前创建的回归或Tobit.物体使用fitLGDModel。
数据类型:目的
目的
数据,指定为NumRows——- - - - - -numcols.表与预测器和响应值。变量名称和数据类型必须与底层模型一致。
NumRows
numcols.
数据类型:表格
表格
丢失给定的默认值,作为a返回NumRows——- - - - - -1数值向量。
1
使用回归或Tobit模型来预测LGD。
回归LGD模型首先使用底层线性回归模型预测变换空间,然后应用逆变换以返回LGD刻度的预测。有关支持的转换及其反转的更多信息,请参阅金宝app丢失给定的默认回归模型。
Tobit.LGD模型在给定预测值的情况下返回响应的无条件期望值。有关更多信息,请参见丢失给定默认的tobit模型。
[1] Baesens,Bart,Daniel Roesch和Harald Scheule。信用风险分析:测量技术,应用,和SAS的例子。Wiley,2016年。
[2] Bellini,Tiziano。IFRS 9和CECL信用风险建模和验证:一个实用指南,实例在R和SA中工作。圣地亚哥,CA: Elsevier, 2019。
Tobit.|回归|ModelAccuralyplot.|模糊舒适|modeldiscriminationplot.|Modeldiscimination.|fitLGDModel
ModelAccuralyplot.
modeldiscriminationplot.
您已经有了这个示例的修改版本。要在编辑后打开此示例吗?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入命令运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:。
您也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。
联系当地办事处