Buku / makalah yang bagus tentang penilaian kredit

Saya mencari rekomendasi buku tentang penilaian kredit. Saya tertarik pada semua aspek masalah ini, tetapi kebanyakan dalam: 1) Fitur yang bagus. Bagaimana cara membuatnya? Mana yang terbukti baik? 2) Jaringan saraf. Aplikasi mereka untuk masalah penilaian kredit. 3) Saya telah memilih jaringan saraf, tetapi saya tertarik dengan metode lain juga.

Jika Anda baru mengenal dunia penilaian, buku pertama Anda harus ditulis oleh naeem siddiqi tentang penilaian kredit menggunakan SAS. Jika Anda belum mengambil kelas, lakukanlah. Fokus utama kelas adalah pemahaman keseluruhan tentang penilaian dan penjualan penambang perusahaan SAS untuk jutaan dolar.

Jika Anda memerlukan teori, Anda perlu analisis data kategorikal dan kelas penambangan data dari universitas terdekat. Bahkan setelah mengikuti kelas-kelas ini Anda masih membutuhkan bantuan.

Saat ini teknik yang paling populer digunakan adalah

1. regresi logistik
2. jaringan saraf
3. mendukung mesin vektor dan
4. hutan acak

pengelompokan, analisis diskriminan, analisis faktor, komponen utama adalah suatu keharusan juga.

Penilaian kredit oleh elizabeth mays juga akan memberi Anda tinjauan yang baik.

Saya juga mengambil kelas pemodelan risiko kredit oleh lembaga SAS, yang sedikit membantu saya. Ini adalah proses belajar yang konstan dan tidak pernah dilakukan.

Orang Bayesian juga menyukai metode mereka.

Edit

saya juga lupa menyebutkan. Regresi logistik dalam teknik paling populer di luar sana dan akan selalu menjadi salah satu yang akan terus digunakan bank. Metode-metode lain sangat sulit dijual kepada orang-orang manajemen tingkat atas, kecuali jika bank Anda kurang peduli untuk memahami metode-metode ini dan fokus mereka tetap mengambil risiko dan menghasilkan uang.

Saya bekerja di bidang penilaian kredit. Meskipun saya suka mengeksplorasi pendekatan yang berbeda, saya menemukan bahwa regresi logistik sering kali cukup baik jika bukan pendekatan terbaik. Saya belum mensurvei makalah terbaru tentang topik ini tetapi dari memori di sebagian besar makalah Anda akan melihat bahwa pendekatan lain seperti model jaring saraf biasanya tidak menawarkan peningkatan signifikan dalam hal daya prediksi (seperti diukur oleh GINI dan AR). Juga model-model ini cenderung lebih sulit untuk dipahami oleh orang awam (seringkali eksekutif paling senior tidak memiliki latar belakang dalam statistik), dan pendekatan scorecard menggunakan regresi logistik tampaknya menawarkan cara termudah untuk menjelaskan model. Benar, sebagian besar kartu skor tidak memperhitungkan interaksi akun,

Karena itu, baru-baru ini ada beberapa minat dalam membangun kartu skor menggunakan teknik analisis survival karena memiliki beberapa keunggulan dibandingkan regresi logistik. Yaitu, kita dapat lebih mudah memasukkan faktor ekonomi makro ke dalam model, kita dapat menggunakan data yang lebih baru dalam membangun model daripada harus bergantung pada data setidaknya 12 bulan yang lalu (karena indikator biner dalam logistik biasanya didefinisikan sebagai standar dalam 12 bulan berikutnya). Dalam hal ini, tesis saya dapat menawarkan perspektif lain dalam mengeksplorasi membangun kartu kredit menggunakan analisis survival. Saya menunjukkan bagaimana kartu penilaian analisis survival "terlihat dan terasa" sama dengan kartu skor regresi logistik, maka kartu tersebut dapat diperkenalkan tanpa menyebabkan terlalu banyak masalah.

Dalam tesis saya, saya juga menjelaskan algoritma ABBA yang merupakan pendekatan baru untuk variabel binning.

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%2F%%FF?hl=id 2Fwikipedia% 2Fcommons% 2F2% 2F2f% 2FAbout_Time _-_ Building_Credit_Scorecards_with_Survival_Analysis.pdf & ei = 8D8MUorrJs2Trgf56YCwCQ & USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g & sig2 = kcEvjUUcn_wT93igxpYYDA & BVM = bv.50768961, d.bmk

Pembaruan: Saya tidak mengklaim apakah tesis saya bagus. Ini hanyalah perspektif lain dari seorang praktisi di lapangan.

• Saya telah merujuk Panduan untuk Penilaian Kredit dalam R oleh D. Sharma di masa lalu dan ini merupakan referensi pengantar yang baik tentang pendekatan termasuk regresi logistik dan metode berbasis pohon
• Panduan di atas menggunakan Data Kredit Jerman yang memiliki serangkaian fitur yang kaya. Jika Anda mencari dataset, Anda akan menemukan pendekatan alternatif lain, analisis, dan perbandingan yang dapat membantu menginformasikan pemilihan fitur dan pilihan model untuk dataset Anda.
• Jaringan saraf adalah pilihan yang adil untuk masalah klasifikasi biner seperti ini. Di dunia nyata, model penilaian kredit juga diharapkan memberikan alasan mengapa permohonan pinjaman (misalnya) ditolak. Oleh karena itu, membantu untuk memiliki model di mana Anda dapat mengidentifikasi fitur apa dalam riwayat kredit seseorang menghasilkan skor kredit yang rendah dan menyebabkan aplikasi ditolak. Fitur dalam regresi dan pendekatan berbasis pohon lebih mudah diinterpretasikan dibandingkan dengan jaringan saraf. Jika Anda menilai murni sesuai, NN patut dicoba