본문으로 바로가기

강의

R로 배우는 신용 위험 모델링

중급기술 수준

업데이트됨 2023. 11.

로지스틱 회귀 분석과 의사 결정 트리를 활용하여 실제 환경에서 신용 위험을 모델링하는 통계적 모델링을 적용한다.

무료로 강의 시작

RApplied Finance

4시간

16 동영상

52 연습 문제

4,000 XP

48,375

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

실제 신용 데이터로 진행하는 실습형 강의입니다. R에서 로지스틱 회귀와 의사결정나무를 사용해 신용 위험을 모델링하는 방법을 배웁니다. 개인 및 기업 대출의 신용 위험을 모델링하는 일은 은행에 매우 중요합니다. 채무자가 연체할 확률은 신용 위험을 측정하는 데 핵심 요소입니다. 이 강의에서는 다른 모형도 간략히 소개하지만, 신용평가에서 자주 쓰이는 두 가지 모형인 로지스틱 회귀와 의사결정나무에 초점을 맞춥니다. 이 모형들을 해당 맥락에서 어떻게 활용하는지, 그리고 은행이 이러한 모형을 어떻게 평가하는지도 배우게 됩니다.

선수 조건

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

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

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

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

R로 배우는 신용 위험 모델링

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 R로 배우는 신용 위험 모델링을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.