メインコンテンツへスキップ

コース

R で学ぶクレジットリスク・モデリング

中級スキルレベル

更新日 2023/11

ロジスティック回帰と決定木を使い、実践的な場面で統計モデリングを適用して信用リスクをモデル化します。

コースを無料で開始

RApplied Finance

4時間

16 ビデオ

52 演習

4,000 XP

48,380

修了証明書

何千もの企業の従業員が支持

チームのトレーニングを担当していますか？

Businessをお試しください

コース説明

実データを使って、R によるロジスティック回帰と決定木でクレジットリスクをモデリングする方法を学ぶ実践的なコースです。個人向け・法人向けローンのリスクを適切に評価することは、銀行にとって非常に重要です。債務者がデフォルトする確率は、クレジットリスクを測るための重要な要素です。本コースでは他のモデルにも触れますが、クレジットスコアリングで広く用いられる2つのモデル、ロジスティック回帰と決定木に焦点を当てます。特にこの文脈での使い方と、銀行がこれらのモデルをどのように評価するかを学びます。

前提条件

Intermediate R for Finance

1

Introduction and data preprocessing

This chapter begins with a general introduction to credit risk models. We'll explore a real-life data set, then preprocess the data set such that it's in the appropriate format before applying the credit risk models.

Introduction and data structure

Exploring the credit data

Interpreting a CrossTable()

Histograms and outliers

Missing data and coarse classification

Deleting missing data

Replacing missing data

Keeping missing data

Data splitting and confusion matrices

Splitting the data set

Creating a confusion matrix

チャプターを開始

2

Logistic regression

Logistic regression is still a widely used method in credit risk modeling. In this chapter, you will learn how to apply logistic regression models on credit data in R.

Logistic regression: introduction

Basic logistic regression

Interpreting the odds for a categorical variable

Multiple variables in a logistic regression model

Interpreting significance levels

Logistic regression: predicting the probability of default

Predicting the probability of default

Making more discriminative models

Evaluating the logistic regression model result

Specifying a cut-off

Comparing two cut-offs

Wrap-up and remarks

Comparing link functions for a given cut-off

チャプターを開始

3

Decision trees

Classification trees are another popular method in the world of credit risk modeling. In this chapter, you will learn how to build classification trees using credit data in R.

What is a decision tree?

Computing the gain for a tree

Changing one Gini...

Building decision trees using the rpart()-package

Undersampling the training set

Changing the prior probabilities

Including a loss matrix

Pruning the decision tree

Pruning the tree with changed prior probabilities

Pruning the tree with the loss matrix

Other tree options and the construction of confusion matrices

One final tree using more options

Confusion matrices and accuracy of our final trees

Optimizing the accuracy

チャプターを開始

4

Evaluating a credit risk model

In this chapter, you'll learn how you can evaluate and compare the results obtained through several credit risk models.

Finding the right cut-off: the strategy curve

Computing a bad rate given a fixed acceptance rate

The strategy table and strategy curve

To tree or not to tree?

The ROC-curve

ROC-curves for comparison of logistic regression models

ROC-curves for comparison of tree-based models

Input selection based on the AUC

Another round of pruning based on AUC

Best of four

Further model reduction?

Course wrap-up

チャプターを開始

R で学ぶクレジットリスク・モデリング

コース完了

修了証明書を取得

この修了書をLinkedInや履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と共にR で学ぶクレジットリスク・モデリングを始めましょう！

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。