Buenos libros / documentos sobre calificación crediticia

Estoy buscando recomendaciones de libros sobre calificación crediticia. Estoy interesado en todos los aspectos de este problema, pero principalmente en: 1) Buenas características. ¿Cómo construirlos? ¿Cuáles han demostrado ser buenos? 2) Redes neuronales. Su aplicación al problema de calificación crediticia. 3) Elegí redes neuronales, pero también estoy interesado en otros métodos.

Si es nuevo en el mundo de la puntuación, su primer libro debe ser de naeem siddiqi sobre calificación crediticia con SAS. Si no has tomado la clase, adelante. El enfoque principal de la clase es la comprensión general de la calificación y venta del minero empresarial SAS por millones de dólares.

Si necesita teoría, necesita un análisis de datos categórico y una clase de minería de datos de una universidad cercana. Incluso después de tomar estas clases, necesitará ayuda.

Actualmente las técnicas más populares utilizadas son

1. Regresión logística
2. Redes neuronales
3. soporte de máquinas de vectores y
4. bosques al azar

la agrupación, el análisis discriminante, el análisis factorial y los componentes principales también son imprescindibles.

La calificación crediticia de elizabeth mays también le dará una buena visión general.

También tomé una clase de modelado de riesgo de crédito por el instituto SAS, que me ayudó un poco. Es un proceso de aprendizaje constante y nunca se hace.

A la gente bayesiana también le gustan sus métodos.

Editar

También olvidé mencionarlo. La regresión logística en la técnica más popular que existe y siempre será la que los bancos seguirán utilizando. Otros métodos son muy difíciles de vender a la alta gerencia, a menos que su banco esté dispuesto a preocuparse menos por comprender estos métodos y su enfoque sigue siendo la toma de riesgos y la obtención de dinero.

Trabajo en el campo de calificación crediticia. Aunque me gusta explorar diferentes enfoques, encuentro que la regresión logística a menudo es lo suficientemente buena, si no el mejor enfoque. No he encuestado los artículos más recientes sobre el tema, pero de memoria en la mayoría de los artículos verá que otros enfoques, como el modelo de redes neuronales, generalmente no ofrecen un aumento significativo en términos de poder predictivo (medido por GINI y AR). Además, estos modelos tienden a ser mucho más difíciles de entender para un laico (a menudo, los ejecutivos de mayor antigüedad no tienen experiencia en estadística), y el enfoque de cuadro de mandos mediante regresión logística parece ofrecer los modelos más fáciles de explicar. Es cierto que la mayoría de los cuadros de mando no tienen en cuenta las interacciones,

Dicho esto, recientemente ha habido algunos intereses en construir cuadros de mandos utilizando técnicas de análisis de supervivencia, ya que tiene algunas ventajas sobre la regresión logística. Es decir, podemos incorporar más fácilmente los factores macroeconómicos en el modelo, podemos usar datos más recientes en la construcción del modelo en lugar de tener que depender de datos al menos hace 12 meses (ya que el indicador binario en logística generalmente se define como predeterminado en el próximos 12 meses). En ese sentido, mi tesis podría ofrecer otra perspectiva, ya que explora la creación de tarjetas de puntaje de crédito mediante el análisis de supervivencia. Mostré cómo los cuadros de mando de análisis de supervivencia "se ven y se sienten" igual que los cuadros de mando de regresión logística, por lo tanto, pueden introducirse sin causar demasiados problemas.

En mi tesis también describí el algoritmo ABBA, que es un enfoque novedoso para las variables de agrupamiento.

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% Salas de baño

Actualización: no afirmo si mi tesis es buena. Es solo otra perspectiva de un practicante en el campo.

• Me he referido a la Guía de calificación crediticia en R de D. Sharma en el pasado y es una buena referencia introductoria sobre enfoques que incluyen regresión logística y métodos basados ​​en árboles.
• La guía anterior utiliza los datos de crédito alemanes que tienen un amplio conjunto de características. Si busca el conjunto de datos, encontrará otros enfoques, análisis y comparaciones alternativas que pueden ayudar a informar la selección de características y la elección del modelo para su conjunto de datos
• Las redes neuronales son una elección justa para un problema de clasificación binaria como este. En el mundo real, también se espera que un modelo de calificación crediticia proporcione razones por las cuales se rechazó una solicitud de préstamo (por ejemplo). Por lo tanto, es útil tener un modelo en el que pueda identificar qué características en el historial crediticio de una persona dan como resultado una calificación crediticia baja y hacen que se rechace una solicitud. Las características en regresión y enfoques basados ​​en árboles son más fáciles de interpretar en comparación con las redes neuronales. Si está evaluando puramente en forma, vale la pena probar NN