MODELOWANIE DLA BIZNESU. METODY MACHINE LEARNING, MODELE PORTFELA CONSUMER FINANCE, MODELE REKURENCYJNE ANALIZY PRZEŻYCIA, MODELE SCORINGOWE

ISBN: 978-83-8030-404-8

186 stron
format: B5
oprawa: miękka
Rok wydania: 2020

Książka Modelowanie dla biznesu, metody machine learning, modele portfela CF, modele rekurencyjne analizy przeżycia, modele scoringowe pod redakcją naukową dr. Karola Przanowskiego i dr. Sebastiana Zająca jest odpowiedzią nauki i biznesu na zapotrzebowanie związane ze zrozumieniem i zastosowaniem szerokich metod uczenia maszynowego w analizie dużych zbiorów danych. Książka ta łącząc ze sobą teorię oraz zastosowania praktyczne bez wątpienia powinna zainteresować nie tylko analityków danych w obszarach biznesowych, ale również studentów kierunków ilościowych jak i pracowników naukowo-dydaktycznych. W kompleksowy sposób rozszerza ona wiedzę z pierwszej części książki. Wprowadza czytelnika w tematykę wykorzystania zaawansowanych metod uczenia maszynowego i głębokiego w problemach modeli scoringowych, które, szczególnie w sektorze bankowym, ograniczone są licznymi regulacjami prawnymi, jak i modeli analizy historii zdarzeń w predykcji zjawiska kryzysu, czy też procesu migracji klientów. Całość uzupełniona jest o techniczną analizę metod selekcji zmiennych. W książce przedstawiono wykorzystanie zarówno narzędzi komercyjnych takich jak SAS, ale również i kody oparte o bardzo szybko rozwijające się programowanie w Pythonie. Mamy nadzieję, że przedstawiona tematyka pomoże przybliżyć problemy dzisiejszej analityki oraz zainspiruje czytelników do wysiłku w jej rozwijaniu w czasie oczekiwania na III część.
Karol Przanowski, Sebastian Zając

SPIS TREŚCI

Przedmowa

1. Metody Machine Learning w ryzyku kredytowym
Barbara Szewczak, Kamil Niedźwiedzki
Wprowadzenie
1.1 Metodyka budowy modeli
1.2 Regresja logistyczna
1.2.1 Segmentacja
1.2.2 Podział zbioru
1.2.3 Przepróbkowanie zbioru
1.2.4 Kategoryzacja zmiennych
1.2.5 Preselekcja zmiennych
1.2.6 Korelacja zmiennych
1.2.7 Identyfikacja obserwacji wpływających
1.2.8 Modelowanie
1.3 Metoda Gradient Boosting
1.3.1 Dobór próby
1.3.2 Preselekcja zmiennych
1.3.3 Korelacja zmiennych
1.3.4 Zjawisko przeuczenia modelu
1.3.5 Budowa karty skoringowej
1.3.6 Monitoring modelu
1.3.7 Inne cechy
1.4 Metoda lasów losowych
1.5 Porównanie omówionych metod
Podsumowanie
Bibliografia

2. Metody selekcji zmiennych w modelach scoringowych
Karol Przanowski, Sebastian Zając
2.1 Predykcyjne modele skoringowe
2.2 Budowa modelu skoringowego oraz karty skoringowej
2.3 Metodyka wyboru zmiennych
2.3.1 Analiza głównych składowych i sieci neuronowe
2.3.2 Wariancja cech
2.3.3 Statystyka Giniego
2.3.4 Modele jednoczynnikowe
2.3.5 Inforamtion Value
2.3.6 Regularyzacja regresji logistycznej L1
2.3.7 Rekurencyjna eliminacja zmiennych
2.3.8 Drzewa decyzyjne i lasy losowe
2.3.9 Branch & bound
2.4 Przygotowanie danych
2.5 Wyniki wyboru różnych metod selekcji zmiennych
2.5.1 Wariancja cech
2.5.2 Statystyka Giniego oraz IV
2.5.3 Statystyczna istotność zmiennych
2.5.4 Rekurencyjne metody doboru zmiennych
2.5.5 Regularyzacja regresji logistycznej
2.5.6 Feature importance dla algorytmów drzewa decyzyjnego i lasów losowych
2.5.7 Analityczna metoda Branch & bound
2.5.8 Wizualizacja wyników oraz finalne wnioski
Podsumowanie
Bibliografia

3. Proces migracji klientów na przykładzie programu lojalnościowego. Modelowania z zastosowaniem analizy przeżycia
Ewa Frątczak, Piotr Rozenbajgier, Adrianna Wołowiec
Wprowadzenie
3.1 Podstawy analizy przeżycia
3.2 Opis programu PAYBACK i zbioru danych
3.2.1 Opis programu PAYBACK
3.2.2 Opis segmentacji uczestników PAYBACK
3.2.3 Wstępne przetworzenie zbioru danych - statystyki segmentów i przejść pomiędzy nimi
3.3 Procedury analizy przeżycia w SAS
3.4 Modelowanie nieparametryczne - analiza procesu migracji dla pojedynczych epizodów
3.4.1 Analiza nieparametryczna pojedynczego epizodu
3.5 Modele rekurencyjne - estymacja i interpretacja wyników
3.5.1 PROCRELIABILITY
3.5.2 PROCPHREG
Podsumowanie
Bibliografia

4. Prognozowanie kryzysu portfela Consumer finance
Karol Przanowski
Wprowadzenie
4.1 Prognozowanie kryzysu ryzyka kredytowego dla kredytów konsumenckich
4.1.1 Dane symulacyjne. Opis algorytmu generowania danych
4.1.2 Opłacalność procesu akceptacji kredytowej. Podstawowe składniki zysku: prowizja, przychody odsetkowe i strata kredytowa
4.1.3 Strategia pełnej akceptacji
4.1.4 Strategia prosta - pierwsze punkty odcięcia
4.1.5 Strategia na bazie modelu analizy historii zdarzeń (AHZ)
4.1.6 Strategia na bazie modelu analizy historii zdarzeń z prognozowaniem wskaźników
4.1.7 Strategia na bazie typowego modelu skoringowego
4.1.8 Dlaczego model analizy historii zdarzeń jest lepszym od zwykłego modelu skoringowego
4.1.9 Nieudane próby estymacji modeli na próbach danych z czasu przed kryzysem
4.1.10 Strategie dynamicznej korekty na bazie default3 lub default6
4.1.11 Porównanie wszystkich strategii, finalne wnioski
4.2 Podsumowanie
4.3 Dokumentacje modeli
4.3.1 Model PD Survival
4.3.2 Model PD Suma
4.3.3 Model PD Crisis
4.3.4 Model PD Ins
4.3.5 Model PD Css
4.3.6 Tabela analityczna, opisy wszystkich zmiennych
Bibliografia