主要内容

预测

预测损失默认

在页面上崩溃

句法

LGD =预测（LGDModel，数据）

描述

例子

LGD.=预测(lgdmodel.那数据的）计算默认值（LGD）的丢失。

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。

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。

例子

全部折叠

打开生活的脚本

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。

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。

打开生活的脚本

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。

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”

显示底层模型。

disp (lgdModel.UnderlyingModel)
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

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 =1394×10.0879 0.0943 0.3204 0.0934 0.1672 0.2238 0.2370 0.2370 0.0102 0.1592 0.1989⋮

您可以使用分析和验证这些预测Modeldiscimination.和模糊舒适。

输入参数

全部折叠

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

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。

数据类型：表格

输出参数

全部折叠

丢失给定的默认值，作为a返回NumRows——- - - - - -1数值向量。

更多关于

全部折叠

用LGD模型预测

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。

参考文献

[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。

也可以看看

||||||

话题

介绍了R2021a

风险管理工具箱文档

金宝app

用MATLAB进行有效的模型风险管理

用MATLAB进行有效的模型风险管理

下载白皮书