Хорошие книги / документы по кредитному скорингу

Я ищу рекомендации книг по кредитному скорингу. Я заинтересован во всех аспектах этой проблемы, но в основном: 1) Хорошие возможности. Как их построить? Какие из них оказались хорошими? 2) Нейронные сети. Их применение к проблеме кредитного скоринга. 3) Я выбрал нейронные сети, но меня интересуют и другие методы.

Если вы новичок в мире скоринга, ваша первая книга должна быть написана naeem siddiqi по кредитному скорингу с использованием SAS. Если вы не взяли урок, сделайте это. Основное внимание в классе уделяется общему пониманию оценки и продажи SAS-майнера для предприятий за миллионы долларов.

Если вам нужна теория, вам нужен категориальный анализ данных и класс Data mining из ближайшего университета. Даже после этих занятий вам все равно понадобится помощь.

В настоящее время используются самые популярные методы

1. логистическая регрессия
2. нейронные сети
3. опорные векторные машины и
4. случайные леса

кластеризация, дискриминантный анализ, факторный анализ, основные компоненты также необходимы.

Кредитная оценка elizabeth mays также даст вам хороший обзор.

Я также взял курс моделирования кредитного риска в институте SAS, который мне немного помог. Это постоянный учебный процесс, и он никогда не делается.

Байесовским людям нравятся и их методы.

редактировать

Я также забыл упомянуть. Логистическая регрессия в самой популярной технике существует и всегда будет той, которую банки будут продолжать использовать. Другие методы очень трудно продать руководителям высшего звена, если только ваш банк не желает меньше заботиться о понимании этих методов, и их фокус остается на риске и зарабатывании денег.

Я работаю в области кредитного скоринга. Несмотря на то, что мне нравится изучать разные подходы, я считаю, что логистическая регрессия часто бывает достаточно хорошей, если не лучшей. Я не исследовал самые последние статьи по этой теме, но по памяти в большинстве работ вы увидите, что другие подходы, такие как модель нейронных сетей, как правило, не предлагают значительного повышения с точки зрения предсказательной силы (как измеряется GINI и AR). Кроме того, эти модели, как правило, гораздо сложнее понять непрофессионалу (часто большинство старших руководителей не имеют опыта работы в статистике), а подход с использованием системы показателей с использованием логистической регрессии, по-видимому, предлагает наиболее простые для объяснения модели. Правда, большинство систем показателей не учитывают взаимодействия,

Сказав это, в последнее время были некоторые интересы в построении карт показателей с использованием методов анализа выживания, поскольку они имеют несколько преимуществ по сравнению с логистической регрессией. А именно, мы можем легче включить макроэкономические факторы в модель, мы можем использовать более свежие данные в построении модели вместо того, чтобы полагаться на данные по крайней мере 12 месяцев назад (поскольку бинарный индикатор в логистике обычно определяется как дефолтный в пределах следующие 12 месяцев). В этом отношении мой тезис может предложить другую перспективу в том, что он рассматривает создание кредитных карт с использованием анализа выживания. Я показал, как оценочные карты анализа выживаемости «выглядят и чувствуют» так же, как оценочные карты логистической регрессии, поэтому их можно вводить без особых проблем.

В своей диссертации я также описал алгоритм ABBA, который является новым подходом к бинированию переменных.

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 & е = 8D8MUorrJs2Trgf56YCwCQ & USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g & Sig2 = kcEvjUUcn_wT93igxpYYDA & BVM = bv.50768961, d.bmk

Обновление: я не утверждаю, хорош ли мой тезис. Это просто другая точка зрения практикующего в этой области.

• В прошлом я ссылался на Руководство по кредитному скорингу в R Д. Шармы, и оно является хорошим вводным справочником по подходам, включая логистическую регрессию и методы на основе дерева.
• Приведенное выше руководство использует немецкие кредитные данные, которые имеют богатый набор функций. Если вы ищете набор данных, вы найдете другие альтернативные подходы, анализ и сравнения, которые могут помочь в выборе функций и выборе модели для вашего набора данных.
• Нейронные сети - справедливый выбор для проблемы бинарной классификации, как эта. В реальном мире также ожидается, что модель кредитного скоринга предоставит причины, по которым заявка на кредит (скажем) была отклонена. Поэтому полезно иметь модель, в которой вы можете определить, какие функции в кредитной истории приводят к низкому баллу и вызывают отклонение заявки. Особенности регрессионного и древовидного подходов легче интерпретировать по сравнению с нейронными сетями. Если вы оцениваете чисто по форме, NN стоит попробовать