Szukam rekomendacji książek na temat oceny zdolności kredytowej. Interesują mnie wszystkie aspekty tego problemu, ale przede wszystkim: 1) Dobre funkcje. Jak je zbudować? Które okazały się dobre? 2) Sieci neuronowe. Ich zastosowanie do problemu punktacji kredytowej. 3) Wybrałem sieci neuronowe, ale interesują mnie również inne metody.
11
Odpowiedzi:
Jeśli dopiero zaczynasz przygodę z punktowaniem, twoją pierwszą książką powinno być naeem siddiqi w zakresie oceny kredytowej za pomocą SAS. Jeśli nie wziąłeś lekcji, idź na całość. Głównym celem tej klasy jest ogólne zrozumienie punktacji i sprzedaży przedsiębiorstwa górniczego SAS za miliony dolarów.
Jeśli potrzebujesz teorii, potrzebujesz jakościowej analizy danych i klasy eksploracji danych z pobliskiego uniwersytetu. Nawet po ukończeniu tych zajęć nadal będziesz potrzebować pomocy.
obecnie najpopularniejsze są stosowane techniki
klastrowanie, analiza dyskryminacyjna, analiza czynnikowa, główne elementy są również koniecznością.
Punktacja kredytowa Elżbiety Mays daje również dobry przegląd.
Wziąłem również klasę modelowania ryzyka kredytowego przez instytut SAS, co trochę mi pomogło. Jest to ciągły proces uczenia się, który nigdy się nie odbył.
Ludzie z Bayesian również lubią ich metody.
Edytować
zapomniałem też wspomnieć. Regresja logistyczna w najpopularniejszej dostępnej technice i zawsze będzie tą, której banki będą nadal używać. Inne metody są bardzo trudne do sprzedania osobom zarządzającym wyższego szczebla, chyba że bank jest mniej zainteresowany zrozumieniem tych metod, a ich celem pozostaje podejmowanie ryzyka i zarabianie pieniędzy.
źródło
Pracuję w dziedzinie punktacji kredytowej. Chociaż lubię odkrywać różne podejścia, uważam, że regresja logistyczna jest często wystarczająco dobra, jeśli nie najlepsza. Nie przeglądałem najnowszych artykułów na ten temat, ale z pamięci w większości artykułów widać, że inne podejścia, takie jak model sieci neuronowych, zazwyczaj nie oferują znaczącego wzrostu w zakresie mocy predykcyjnej (mierzonej za pomocą GINI i AR). Modele te również są znacznie trudniejsze do zrozumienia dla laika (często większość seniorów nie ma doświadczenia w statystyce), a podejście oparte na kartach wyników z wykorzystaniem regresji logistycznej wydaje się oferować modele najłatwiejsze do wyjaśnienia. To prawda, że większość kart wyników nie uwzględnia interakcji,
Powiedziawszy to, ostatnio pojawiło się zainteresowanie budowaniem kart wyników za pomocą technik analizy przeżycia, ponieważ ma kilka zalet w stosunku do regresji logistycznej. Mianowicie, możemy łatwiej włączyć do modelu czynniki makroekonomiczne, możemy wykorzystać nowsze dane w kompilacji modelu, zamiast musieć polegać na danych co najmniej 12 miesięcy temu (ponieważ binarny wskaźnik w logistyce jest zwykle definiowany jako domyślny w następne 12 miesięcy). W tym względzie moja teza mogłaby zaoferować inną perspektywę, ponieważ bada budowanie kart wyników kredytowych przy użyciu analizy przeżycia. Pokazałem, jak karty wyników analizy przeżycia wyglądają i czują się tak samo jak karty wyników regresji logistycznej, dlatego można je wprowadzić bez powodowania zbyt dużych problemów.
W swojej pracy opisałem również algorytm ABBA, który jest nowatorskim podejściem do zmiennych binningowych.
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%2 2Fwikipedia% 2Fcommons% 2F2% 2F2f% 2FAbout_Time _-_ Building_Credit_Scorecards_with_Survival_Analysis.pdf & ei = 8D8MUorrJs2Trgf56YCwCQ i USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g i sig2 = kcEvjUUcn_wT93igxpYYDA i NMP = bv.50768961, d.bmk
Aktualizacja: Nie twierdzę, czy moja teza jest dobra. To tylko kolejna perspektywa od praktyka w tej dziedzinie.
źródło
źródło