Probit
描述
创建和分析Probit模型对象一生来计算违约概率(PD)使用此工作流:
使用
fitLifetimePDModel创建一个Probit模型对象。使用
预测条件PD和预测predictLifetime预测终生PD。使用
modelDiscrimination返回AUROC和ROC数据。你可以画出结果modelDiscriminationPlot。使用
modelCalibration返回的RMSE观察和预测PD数据。你可以画出结果modelCalibrationPlot。
创建
描述
ProbitPDModel= fitLifetimePDModel (___,名称,值)ProbitPDModel = fitLifetimePDModel(数据(TrainDataInd,:),“Probit”、“ModelID”,“Probit_A”、“Descripion”、“Probit_model”、“AgeVar”、“小无赖”、“IDVar”,“ID”、“LoanVars”、“ScoreGroup”、“MacroVars”{“GDP”、“市场”},“ResponseVar”、“违约”)创建一个ProbitPDModel对象使用Probit模型类型。
输入参数
属性
对象的功能
预测 |
计算条件PD |
predictLifetime |
计算累积一生PD、边际PD和生存概率 |
modelDiscrimination |
计算AUROC和ROC数据 |
modelCalibration |
观察到的预测和计算RMSE PDs分组数据 |
modelDiscriminationPlot |
绘制ROC曲线 |
modelCalibrationPlot |
情节观察违约率相比,预测PDs分组数据 |
例子
创建Probit一生PD模型
这个例子展示了如何使用fitLifetimePDModel创建一个Probit模型使用信用卡和宏观经济数据。
加载数据
加载信贷投资组合数据。
负载RetailCreditPanelData.matdisp(头(数据))
ID ScoreGroup小无赖默认年__ __________ ___ ____ ____ 1低风险1 0 1998 1997 1低风险2 0 1低风险1999 1低风险4 0 0 2001 2000 1低风险5 0 1低风险6 0 2002 1低风险7 0 2003 1低风险8 0 2004
disp(头(dataMacro))
1998年国内生产总值__专攻市场1997 2.72 - 7.61 3.57 - 26.24 1999 2.86 2001 18.1 2000 2.43 3.19 1.26 -10.51 2002 -0.59 2004 -22.95 2003 0.63 - 2.78 1.85 - 9.48
加入到一个数据集的两个数据组件。
data =加入(数据、dataMacro);disp(头(数据))
ID ScoreGroup小无赖违约GDP年市场__ __________ ___ ____ ____专攻1低风险1 0 1997 2.72 7.61 - 1低风险2 0 1998 1999 2.86 18.1 3.57 26.24 - 1低风险3 0 1低风险4 0 2000 2.43 3.19 1低风险5 0 2002 2001 1.26 -10.51 - 1低风险6 0 -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
单独的数据为训练和测试的分区。
nIDs = max (data.ID);uniqueIDs =独特(data.ID);rng (“默认”);%的再现性c = cvpartition (nIDs“坚持”,0.4);TrainIDInd =培训(c);TestIDInd =测试(c);TrainDataInd = ismember (data.ID uniqueIDs (TrainIDInd));TestDataInd = ismember (data.ID uniqueIDs (TestIDInd));
创建一个Probit一生PD模型
使用fitLifetimePDModel创建一个Probit使用训练数据模型。
pdModel = fitLifetimePDModel(数据(TrainDataInd,:),“Probit”,…“AgeVar”,“小无赖”,…“IDVar”,“ID”,…“LoanVars”,“ScoreGroup”,…“MacroVars”,{“国内生产总值”,“市场”},…“ResponseVar”,“默认”);disp (pdModel)
概率单位属性:ModelID:“Probit”描述:“UnderlyingModel: [1 x1 classreg.regr。CompactGeneralizedLinearModel] IDVar: "ID" AgeVar: "YOB" LoanVars: "ScoreGroup" MacroVars: ["GDP" "Market"] ResponseVar: "Default"
显示底层模型。
disp (pdModel.UnderlyingModel)
紧凑的广义线性回归模型:probit(默认)~ 1 + GDP ScoreGroup +小无赖+ +市场=二项分布估计系数:估计SE tStat pValue __________ ___________和___________(拦截)-1.6267 0.03811 -42.685 0 ScoreGroup_Medium风险-0.26542 0.01419 -18.704 4.5503 e - 78 ScoreGroup_Low风险-0.46794 0.016364 -28.595 7.775 e - 180小无赖-0.11421 0.0049724 -22.969 9.6208 e - 117 GDP市场-0.041537 0.014807 -2.8052 0.0050291 -0.0029609 0.0010618 -2.7885 0.0052954 388097年观察,388091错误自由度色散:1 x ^ 2-statistic与常数模型:1.85 e + 03,假定值= 0
预测条件和PD一生
使用预测函数来预测条件PD值。预测是一个逐行预测。
dataCustomer1 =数据(1:8,:);CondPD =预测(pdModel dataCustomer1)
CondPD =8×10.0095 0.0054 0.0045 0.0039 0.0036 0.0036 0.0017 0.0009
使用predictLifetime预测寿命累积PD值(计算边际和生存PD值还支持)。金宝app的predictLifetime函数使用ID变量(参见“IDVar”财产物流对象)将有条件的PDs累积PDs对每个ID。
LifetimePD = predictLifetime (pdModel dataCustomer1)
LifetimePD =8×10.0095 0.0149 0.0193 0.0232 0.0267 0.0302 0.0318 0.0327
验证模型
使用modelDiscrimination衡量顾客PD的排名。
DiscMeasure = modelDiscrimination (pdModel、数据(TestDataInd:) DataID =“测试数据”);disp (DiscMeasure)
0.69984 AUROC累积概率单位,测试数据
使用modelDiscriminationPlot可视化ROC曲线。
modelDiscriminationPlot (pdModel、数据(TestDataInd:), DataID =“测试数据”);
使用modelCalibration衡量预测的PD的校准值。的modelCalibration函数需要一个分组变量和对比组中观察到的违约率的准确性的平均预测PD组。例如,您可以使用group by日历年“年”变量。
CalMeasure = modelCalibration (pdModel、数据(TestDataInd:)“年”DataID =“测试数据”);disp (CalMeasure)
RMSE __________ Probit,分组,0.00039494测试数据
使用modelCalibrationPlot可视化观察到的违约率相比,预测违约概率(PD)。
modelCalibrationPlot (pdModel、数据(TestDataInd:),“年”DataID =“测试数据”);
更多关于
引用
[1]Baesens,巴特,丹尼尔•罗斯切和Harald Scheule。信贷风险分析:测量技术、应用程序和SAS的例子。威利,2016年。
[2]贝里尼,Tiziano。IFRS 9和CECL信用风险建模和验证:一个实用指南的例子在R和SAS。圣地亚哥CA:爱思唯尔出版社,2019年。
[3]布里登,约瑟夫。生活在CECL:建模字典。圣达菲,海里:先见之明模型有限责任公司,2018年。
[4]罗斯切,丹尼尔和哈拉尔德Scheule。与Python深信用风险:机器学习。独立出版,2020年。
