Sách / giấy tờ tốt về chấm điểm tín dụng

Tôi đang tìm kiếm các sách giới thiệu về điểm tín dụng. Tôi quan tâm đến tất cả các khía cạnh của vấn đề này, nhưng chủ yếu là: 1) Các tính năng tốt. Làm thế nào để xây dựng chúng? Mà đã được chứng minh là tốt? 2) Mạng lưới thần kinh. Ứng dụng của họ cho vấn đề chấm điểm tín dụng. 3) Tôi đã chọn các mạng thần kinh, nhưng tôi cũng quan tâm đến các phương pháp khác.

Nếu bạn chưa quen với thế giới chấm điểm, cuốn sách đầu tiên của bạn sẽ là naeem siddiqi về chấm điểm tín dụng bằng cách sử dụng SAS. Nếu bạn chưa tham gia lớp học, hãy đi cho nó. Trọng tâm chính của lớp là sự hiểu biết tổng thể về việc chấm điểm và bán công cụ khai thác doanh nghiệp của SAS với giá hàng triệu đô la.

Nếu bạn cần lý thuyết, bạn cần một phân tích dữ liệu phân loại và lớp khai thác dữ liệu từ gần trường đại học. Ngay cả sau khi tham gia các lớp học này, bạn vẫn sẽ cần sự giúp đỡ.

Hiện nay các kỹ thuật phổ biến nhất được sử dụng là

1. hồi quy logistic
2. mạng lưới thần kinh
3. hỗ trợ máy vector và
4. rừng ngẫu nhiên

phân cụm, phân tích phân biệt, phân tích nhân tố, các thành phần chính là phải là tốt.

Điểm tín dụng của elizabeth mays cũng sẽ cung cấp cho bạn một cái nhìn tổng quan tốt.

Tôi cũng đã tham gia một lớp mô hình rủi ro tín dụng của học viện SAS, nơi đã giúp tôi một chút. Đó là một quá trình học hỏi không ngừng và nó không bao giờ được thực hiện.

Người Bayes cũng thích phương pháp của họ.

Biên tập

tôi cũng quên đề cập đến. Hồi quy logistic trong kỹ thuật phổ biến nhất hiện có và sẽ luôn là phương thức mà các ngân hàng sẽ tiếp tục sử dụng. Các phương pháp khác rất khó bán cho người quản lý cấp trên, trừ khi ngân hàng của bạn sẵn sàng quan tâm ít hơn đến việc hiểu các phương pháp này và trọng tâm của họ vẫn là chấp nhận rủi ro và kiếm tiền.

Tôi làm việc trong lĩnh vực chấm điểm tín dụng. Mặc dù tôi thích khám phá các cách tiếp cận khác nhau, tôi thấy rằng hồi quy logistic thường đủ tốt nếu không phải là cách tiếp cận tốt nhất. Tôi đã không khảo sát các bài báo gần đây nhất về chủ đề này nhưng từ bộ nhớ trong hầu hết các bài báo bạn sẽ thấy rằng các phương pháp khác như mô hình mạng lưới thần kinh thường không mang lại sự gia tăng đáng kể về sức mạnh dự đoán (được đo bằng GINI và AR). Ngoài ra, các mô hình này có xu hướng khó hiểu hơn đối với một giáo dân (thường là hầu hết các giám đốc điều hành cao niên không có kiến ​​thức cơ bản về thống kê), và phương pháp thẻ điểm sử dụng hồi quy logistic dường như đưa ra các mô hình dễ giải thích nhất. Đúng, hầu hết các phiếu ghi điểm không tính đến các tương tác,

Phải nói rằng, gần đây đã có một số lợi ích trong việc xây dựng bảng điểm bằng cách sử dụng các kỹ thuật phân tích sinh tồn vì nó có một vài lợi thế so với hồi quy logistic. Cụ thể, chúng ta có thể dễ dàng kết hợp các yếu tố kinh tế vĩ mô vào mô hình hơn, chúng ta có thể sử dụng dữ liệu gần đây hơn trong việc xây dựng mô hình thay vì phải dựa vào dữ liệu ít nhất 12 tháng trước (vì chỉ số nhị phân trong hậu cần thường được xác định là mặc định trong 12 tháng tới). Về vấn đề đó, luận án của tôi có thể đưa ra một viễn cảnh khác ở chỗ nó khám phá việc xây dựng các bảng điểm tín dụng bằng cách sử dụng phân tích sinh tồn. Tôi đã chỉ ra cách các bảng điểm phân tích sinh tồn "nhìn và cảm nhận" giống như các bảng điểm hồi quy logistic, do đó chúng có thể được giới thiệu mà không gây ra quá nhiều rắc rối.

Trong luận án của tôi, tôi cũng đã mô tả thuật toán ABBA là một cách tiếp cận mới đối với các biến binning.

https://www.google.com.vn/url?sa=t&rct=j&q=&esc 1Fwikipedia% 2 2

Cập nhật: Tôi không khẳng định liệu luận án của tôi có tốt không. Đó chỉ là một góc nhìn khác từ một học viên trong lĩnh vực này.

• Tôi đã đề cập đến Hướng dẫn chấm điểm tín dụng trong R của D. Sharma trong quá khứ và nó là một tài liệu tham khảo giới thiệu tốt về các phương pháp tiếp cận bao gồm hồi quy logistic và phương pháp dựa trên cây
• Hướng dẫn trên sử dụng Dữ liệu tín dụng của Đức có bộ tính năng phong phú. Nếu bạn tìm kiếm tập dữ liệu, bạn sẽ tìm thấy các cách tiếp cận, phân tích và so sánh khác có thể giúp thông báo lựa chọn tính năng và lựa chọn mô hình cho tập dữ liệu của bạn
• Mạng lưới thần kinh là một lựa chọn hợp lý cho một vấn đề phân loại nhị phân như vấn đề này. Trong thế giới thực, một mô hình chấm điểm tín dụng cũng được dự kiến ​​sẽ cung cấp lý do tại sao một đơn xin vay tiền (nói) bị từ chối. Do đó, sẽ giúp có một mô hình nơi bạn có thể xác định các tính năng nào trong lịch sử tín dụng của một người dẫn đến điểm tín dụng thấp và khiến đơn đăng ký bị từ chối. Các tính năng trong phương pháp hồi quy và dựa trên cây dễ diễn giải hơn so với các mạng thần kinh. Nếu bạn đang đánh giá hoàn toàn phù hợp, NN đáng để thử