Kredi notu ile ilgili iyi kitaplar / makaleler

Kredi puanlama ile ilgili kitap önerileri arıyorum. Bu sorunun tüm yönleriyle ilgileniyorum, ama çoğunlukla: 1) İyi özellikler. Onları nasıl inşa edebilirim? Hangisinin iyi olduğu kanıtlandı? 2) Sinir ağları. Kredi puanlama problemine uygulamaları. 3) Sinir ağlarını seçtim, ama başka yöntemlerle de ilgileniyorum.

Eğer puanlama dünyasında yeniyseniz, ilk kitabınız SAS kullanarak kredi puanlama konusunda naeem siddiqi tarafından olmalıdır. Eğer dersi almadıysanız devam edin. Sınıfın ana odak noktası, SAS kurumsal madencisinin milyonlarca dolara puanlanması ve satılması konusundaki genel anlayıştır.

Teoriye ihtiyacınız varsa, üniversiteye yakın bir yerden kategorik bir veri analizi ve Veri madenciliği sınıfına ihtiyacınız vardır. Bu dersleri aldıktan sonra bile yine de yardıma ihtiyacınız olacak.

şu anda kullanılan en popüler teknikler

1. lojistik regresyon
2. nöral ağlar
3. destek vektör makineleri ve
4. rastgele ormanlar

kümelenme, ayrımcı analiz, faktör analizi, temel bileşenler de bir zorunluluktur.

Elizabeth mays'ın kredi notu da size iyi bir genel bakış sunacak.

Ayrıca SAS enstitüsü tarafından bana biraz yardımcı olan bir kredi riski modelleme dersi aldım. Bu sürekli bir öğrenme sürecidir ve asla yapılmaz.

Bayesliler de yöntemlerini severler.

Düzenle

Ben de bahsetmeyi unuttum. En popüler teknikte lojistik regresyon var ve her zaman bankaların kullanmaya devam edeceği teknik olacak. Bankanız bu yöntemleri anlamaya daha az önem vermek istemiyorsa ve odaklanmaları risk alma ve para kazanma olmaya devam etmediği sürece, diğer yöntemlerin üst yönetim personeline satılması çok zordur.

Kredi puanlama alanında çalışıyorum. Farklı yaklaşımları keşfetmeyi sevsem de, lojistik regresyonun en iyi yaklaşım olmasa da genellikle yeterince iyi olduğunu düşünüyorum. Konuyla ilgili en son makaleleri araştırmadım, ancak çoğu makaledeki bellekten, sinir ağları modeli gibi diğer yaklaşımların tipik olarak (GINI ve AR tarafından ölçüldüğü gibi) tahmin gücü açısından önemli bir artış sağlamadığını göreceksiniz. Ayrıca, bu modeller bir layman için anlam ifade etmek çok daha zor olma eğilimindedir (genellikle en yaşlı yöneticilerin istatistiklerde arka planı yoktur) ve lojistik regresyon kullanan puan kartı yaklaşımı modelleri açıklamak için en kolayı sunuyor gibi görünüyor. Doğru, çoğu puan kartı etkileşimleri dikkate almaz,

Bununla birlikte, son zamanlarda lojistik regresyona göre birkaç avantajı olduğu için hayatta kalma analizi tekniklerini kullanarak puan kartları oluşturmaya yönelik bazı ilgi alanları olmuştur. Yani, makro ekonomik faktörleri modele daha kolay bir şekilde dahil edebiliriz, en az 12 ay önce verilere güvenmek yerine model yapısında daha yeni verileri kullanabiliriz (lojistikteki ikili gösterge genellikle gelecek 12 ay). Bu bağlamda tezim, hayatta kalma analizi kullanarak kredi puan kartları oluşturmayı araştırması açısından başka bir bakış açısı sunabilir. Hayatta kalma analizi puan kartlarının lojistik regresyon puan kartlarıyla aynı "nasıl göründüğünü" hissettim, bu yüzden çok fazla soruna neden olmadan tanıtılabilirler.

Tezimde, binning değişkenlerine yeni bir yaklaşım olan ABBA algoritmasını da tanımladım.

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%2Fimages% 2Fwikipedia% 2Fcommons% 2F2% 2F2f% 2FAbout_Time _-_ Building_Credit_Scorecards_with_Survival_Analysis.pdf ve ei = 8D8MUorrJs2Trgf56YCwCQ & USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g & sig2 = kcEvjUUcn_wT93igxpYYDA & BVM = bv.50768961, d.bmk

Güncelleme: Tezimin iyi olup olmadığını iddia etmiyorum. Bu, sahadaki bir uygulayıcıdan başka bir bakış açısı.

• Geçmişte D. Sharma tarafından R'de Kredi Puanlama Kılavuzu'na atıfta bulunmuştum ve lojistik regresyon ve ağaç temelli yöntemler de dahil olmak üzere yaklaşımlara iyi bir giriş referansı.
• Yukarıdaki kılavuzda zengin özelliklere sahip olan Alman Kredi Verileri kullanılmıştır. Veri kümesini ararsanız, veri kümeniz için özellik seçimini ve model seçimini bildirmeye yardımcı olabilecek başka alternatif yaklaşımlar, analizler ve karşılaştırmalar bulacaksınız.
• Sinir ağları, ikili bir sınıflandırma problemi için adil bir seçimdir. Gerçek dünyada, bir kredi puanlama modelinin, bir kredi başvurusunun (diyelim) reddedilme nedenlerini de sağlaması beklenmektedir. Bu nedenle, bir kişinin kredi geçmişindeki hangi özelliklerin düşük bir kredi puanı ile sonuçlandığını ve bir uygulamanın reddedilmesine neden olabileceğini belirleyebileceğiniz bir modele sahip olmanıza yardımcı olur. Regresyon ve ağaç temelli yaklaşımların özelliklerini sinir ağlarına göre yorumlamak daha kolaydır. Sadece formda olarak değerlendiriyorsanız, NN denemeye değer