신용 점수에 관한 좋은 책 / 종이


11

신용 점수에 관한 책 추천을 찾고 있습니다. 이 문제의 모든 측면에 관심이 있지만 대부분 다음과 같습니다. 1) 좋은 기능. 그들을 구축하는 방법? 어느 것이 좋았습니까? 2) 신경망. 신용 점수 문제에 대한 그들의 신청. 3) 신경망을 선택했지만 다른 방법에도 관심이 있습니다.


답변:


6

스코어링 세계를 처음 사용하는 경우 첫 번째 책은 SAS를 사용하여 신용 스코어링에 대해 siddiqi가 작성해야합니다. 수업을 듣지 않았다면 가십시오. 이 클래스의 주요 초점은 SAS 기업 광부를 채점하고 수백만 달러에 판매하는 것에 대한 전반적인 이해입니다.

이론이 필요한 경우 가까운 대학의 범주 별 데이터 분석 및 데이터 마이닝 클래스가 필요합니다. 이 수업을 수강 한 후에도 여전히 도움이 필요합니다.

현재 가장 많이 사용되는 기술은

  1. 로지스틱 회귀
  2. 신경망
  3. 벡터 기계 지원
  4. 임의의 숲

클러스터링, 판별 분석, 요인 분석, 주요 구성 요소도 필수입니다.

elizabeth mays의 신용 점수도 좋은 개요를 제공합니다.

또한 SAS 연구소에서 신용 리스크 모델링 수업을 들었습니다. 지속적인 학습 과정이며 결코 끝나지 않았습니다.

베이지안 사람들도 그들의 방법을 좋아합니다.

편집하다

나는 또한 언급하는 것을 잊었다. 가장 인기있는 기술의 로지스틱 회귀는 항상 은행이 계속 사용하는 기술입니다. 은행이 이러한 방법을 이해하는 데 덜 신경 쓰지 않고 그들의 초점이 위험을 감수하고 돈을 버는 것이 아니라면, 다른 방법은 상급 관리자에게 판매하기가 매우 어렵습니다.


감사! 나는 분명히 밝힐 것입니다 : 나는 온라인 경쟁에 참여하고 있는데, 목표는 대출자의 부도 가능성을 예측하는 것입니다. 그래서 1) 나는 내가 좋아하는 방법을 자유롭게 선택할 수 있습니다. 경쟁은 2 주 후에 끝납니다. 2) 포괄적 인 학습을 할 시간이 없습니다. 3) 제공된 데이터는 이전 크레딧에 대한 신용 평가 기관의 원시 응답 이므로이 데이터에서 명백하지 않은 기능을 추출하는 데 실제로 관심이 있습니다.
Nya

또한 답장을 보내 주셔서 감사합니다. 참고 문헌을 살펴 보겠습니다.
Nya

1
그 경쟁은 무엇입니까? 내가 알아낼 수 있을까?
xiaodai

6

나는 신용 점수 분야에서 일합니다. 비록 다른 접근법을 탐색하는 것을 좋아하지만, 로지스틱 회귀가 최선의 접근법이 아니라면 종종 충분하다는 것을 알았습니다. 나는이 주제에 관한 가장 최근의 논문을 조사하지는 않았지만 대부분의 논문에서 메모리를 통해 신경망 모델과 같은 다른 접근법은 일반적으로 예측력 측면에서 상당한 상승을 제공하지 않음을 알 수 있습니다 (GINI 및 AR로 측정). 또한 이러한 모델은 평신도에게 이해하기가 훨씬 더 어려운 경향이 있으며 (대부분의 고위 임원은 통계에 대한 배경 지식이 없음), 로지스틱 회귀를 사용한 스코어 카드 접근 방식은 모델을 설명하기 가장 쉬운 것으로 보입니다. 사실 대부분의 스코어 카드는 상호 작용을 고려하지 않습니다.

하지만 최근에는 로지스틱 회귀에 비해 몇 가지 장점이 있기 때문에 생존 분석 기법을 사용하여 스코어 카드를 작성하는 데 관심이있었습니다. 즉, 거시 경제 요인을 모델에보다 쉽게 ​​통합 할 수 있으며, 최소 12 개월 전에 데이터에 의존하지 않고 모델 빌드에서 최신 데이터를 사용할 수 있습니다 (물류의 이진 지표는 일반적으로 다음 12 개월). 그런 점에서 저의 논문은 생존 분석을 사용하여 신용 점수 표를 구축한다는 점에서 또 다른 관점을 제시 할 수 있습니다. 나는 생존 분석 스코어 카드가 어떻게 로지스틱 회귀 스코어 카드와 같은 "모양과 느낌"을 보여 주었기 때문에 너무 많은 문제를 일으키지 않고 도입 될 수있었습니다.

내 논문에서 나는 변수를 비닝하는 새로운 접근법 인 ABBA 알고리즘에 대해서도 설명했다.

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 및 EI = 8D8MUorrJs2Trgf56YCwCQ 및 USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g 및 SIG2 = kcEvjUUcn_wT93igxpYYDA 및 BVM = bv.50768961, d.bmk

업데이트 : 논문이 좋은지에 대해서는 주장하지 않습니다. 현장 실무자의 다른 관점 일뿐입니다.


1
이것은 질문에 초점을 맞추지 않은 것 같습니다. 구체적인 제안은 "논문을 읽습니다"입니다. 나는 그것을 읽지 못했고 그것을 평가할 자격이 없지만, 책이나 출판 된 논문으로 자격이 없다.
Nick Cox

4
@Nick이 질문에는 "다른 방법"이 필요합니다. 많은 사람들이 다운로드 가능한 텍스트에 대한 링크가 유용한 것, 아마도 단순한 참조 이상으로 유용하다고 생각합니다. 익명 신고자 : 자신의 저작물에 대한 링크를 제공하는 것은 스팸이 아닙니다. 우리는 여기에 연구원과 다른 혁신가들을 환영하고 그들이 자신의 공헌을 인용하지 않도록 요구함으로써 우리를 도울 능력을 제한하고 싶지 않습니다!
whuber

3
@ whuber의 요점을 취합니다. 나는 또한 자신의 작품을 인용하는 것이 순서에 동의한다는 것을 강력히 동의합니다. xiaodai : 업데이트를 제거하겠습니다. 게시물의 요점은 논문을 읽을 가치가 있다는 것입니다. 그렇게 생각하지 않으면 게시하지 않습니다. 어려움이나 겸손한 메모를 추가 할 필요는 없습니다.
Nick Cox

3
  • 나는 과거에 D. Sharma의 R의 신용 평가 가이드를 언급했으며 로지스틱 회귀 및 트리 기반 방법을 포함한 접근 방식에 대한 좋은 입문서입니다.
  • 위의 가이드는 다양한 기능을 갖춘 독일 신용 데이터 를 사용합니다 . 데이터 세트를 검색하면 데이터 세트의 기능 선택 및 모델 선택에 도움이 될 수있는 다른 대안, 분석 및 비교가 있습니다.
  • 신경망은 이진 분류 문제에 대한 적절한 선택입니다. 현실에서 신용 점수 모델은 대출 신청 (예 : 대출 신청)이 거부 된 이유를 제공 할 것으로 예상됩니다. 따라서 신용 기록에서 어떤 기능이 신용 점수가 낮고 응용 프로그램이 거부되는지 식별 할 수있는 모델을 만드는 데 도움이됩니다. 회귀 및 트리 기반 접근 방식의 기능은 신경망에 비해 해석하기가 더 쉽습니다. 순전히 적합하다고 평가하는 경우 NN은 시도해 볼 가치가 있습니다.
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.