Хороші книги / папери з оцінки кредиту

Я шукаю рекомендації для книг з кредитування. Мене цікавлять усі аспекти цієї проблеми, але в основному: 1) Гарні особливості. Як їх побудувати? Які виявились хорошими? 2) Нейронні мережі. Їх застосування до проблеми скорингу кредиту. 3) Я вибрав нейронні мережі, але мене цікавлять і інші методи.

Якщо ви новачок у світі підрахунку балів, ваша перша книга повинна бути від naeem siddiqi щодо кредитного скорингу за допомогою SAS. Якщо ви ще не взяли клас, займіться цим. Основна увага в класі - це загальне розуміння підрахунку та продажу шахтарського підприємства SAS за мільйони доларів.

Якщо вам потрібна теорія, вам потрібен категоричний аналіз даних та клас передачі даних з недалеко від університету. Навіть після проходження цих занять вам все одно знадобиться допомога.

В даний час найпопулярнішими методами є

1. логістична регресія
2. нейронні мережі
3. підтримка векторних машин і
4. випадкові ліси

Кластеризація, дискримінаційний аналіз, факторний аналіз, основні компоненти також необхідні.

Оцінка кредитів від Elizabeth mays також дасть вам хороший огляд.

Я також взяв клас з моделювання кредитного ризику в інституті SAS, що мені трохи допомогло. Це постійний процес навчання і його ніколи не робиться.

Людям байесів також подобаються їхні методи.

Редагувати

Я також забув згадати. Логістична регресія в найбільш популярній техніці там і завжди буде тією, якою банки продовжуватимуть користуватися. Інші методи дуже важко продати людям вищого керівництва, якщо тільки ваш банк не бажає менше піклуватися про розуміння цих методів, і їх фокус залишається ризикованим та заробляти гроші.

Я працюю у сфері кредитування. Хоча мені подобається досліджувати різні підходи, я вважаю, що логістична регресія часто є достатньою, якщо не найкращим підходом. Я не оглядав останні роботи на цю тему, але з пам’яті в більшості робіт ви побачите, що інші підходи, такі як модель нейронних сіток, як правило, не пропонують значного підвищення рівня прогнозованої потужності (як вимірюється GINI та AR). Крім того, ці моделі, як правило, набагато важче осмислити мирянина (часто у більшості керівників похилого віку немає статистичних знань), і, мабуть, підхід до показників з використанням логістичної регресії пропонує, як правило, найпростіші для пояснення моделі. Правда, більшість таблиць показників не враховують взаємодії,

Сказавши це, останнім часом з'явився певний інтерес до побудови показників з використанням методів аналізу виживання, оскільки він має кілька переваг перед логістичною регресією. А саме, ми можемо легше включити в модель макроекономічні фактори, ми можемо використовувати новіші дані в побудові моделі, замість того, щоб покладатися на дані принаймні 12 місяців тому (оскільки двійковий показник логістики зазвичай визначається як дефолт у межах наступні 12 місяців). З цього приводу моя дипломна робота може запропонувати іншу перспективу в тому, що вона вивчає побудову кредитних карт за допомогою аналізу виживання. Я показав, як показники аналізу виживання «виглядають і відчувають» так само, як і показники логістичної регресії, тому їх можна ввести, не створюючи зайвих проблем.

У своїй дипломній роботі я також описав алгоритм ABBA, який є новим підходом до бінінгу змінних.

https://www.google.com.sg/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CDAQFjAA&url=http%3A%2F%2Fftpmirror.your.org%2Fpub%2Fwikimedia% 2Fwikipedia% 2Fcommons% 2F2% 2F2f% 2FAbout_Time _-_ Building_Credit_Scorecards_with_Survival_Analysis.pdf & е = 8D8MUorrJs2Trgf56YCwCQ & USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g & Sig2 = kcEvjUUcn_wT93igxpYYDA & BVM = bv.50768961, d.bmk

Оновлення: Я не претендую на те, чи є моя теза корисною. Це просто інша точка зору практикуючого в цій галузі.

• У минулому я згадував Керівництво по підрахунку кредитів у Р. Д. Шарма, і це хороше вступне посилання на підходи, включаючи логістичну регресію та методи на основі дерев
• У наведеному вище посібнику використовуються німецькі кредитні дані, які мають багатий набір функцій. Якщо ви шукаєте набір даних, ви знайдете інші альтернативні підходи, аналіз та порівняння, які можуть допомогти інформувати про вибір функції та вибір моделі для вашого набору даних
• Нейронні мережі є справедливим вибором для проблеми бінарної класифікації, як ця. В реальному світі очікується, що модель кредитного оцінювання також може пояснити причини відхилення заявки на позику (скажімо). Тому допомагає створити модель, за якою ви можете визначити, які особливості кредитної історії призводять до низького кредитного бала та викликають відмову в заявці. Особливості в регресії та на основі дерев підходи легше інтерпретувати порівняно з нейронними мережами. Якщо ви оцінюєте лише відповідність, НН варто спробувати