Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Modelowanie ryzyka kredytowego – budowa kart scoringowych w R

Informacje ogólne

Kod przedmiotu: 2400-ZEWW747
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Modelowanie ryzyka kredytowego – budowa kart scoringowych w R
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty kierunkowe do wyboru - studia II stopnia EP - grupa 1 (3*30h)
Przedmioty kierunkowe do wyboru - studia II stopnia FR - grupa 3 (4*30h)
Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 2 (2*30h)
Przedmioty kierunkowe do wyboru- studia I stopnia EP
Przedmioty wyboru kierunkowego dla studiów licencjackich FIR
Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM
Punkty ECTS i inne: 3.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

nieobowiązkowe

Skrócony opis:

W ramach kursu omówiona (od strony teoretycznej i praktycznej) zostanie metodyka budowy karty scoringowej służących do prognozowania prawdopodobieństwa defaultu w instytucjach finansowych.

W trakcie kursu omówione zostaną wszystkie niezbędne kroki potrzebne do zbudowania i oceny jakości karty scoringowej.

W ramach kursu omówione zostaną sposoby przygotowania danych do modelowania (zarządzenie problemem braków danych i outlierów, inżynieria danych, sampling danych), metody estymacji (w szczególności regresja logistyczna), ocena jakości zbudowanej karty scoringowej (jakość dyskryminacyjna, stabilność itp.) oraz dobór punktu odcięcia.

Wszystkie przykłady prezentowane będą w R.

Pełny opis:

Szczegółowy plan kursu:

1. Podstawy wnioskowania statystycznego

2. Definicja próby do modelowa

3. Specyfika zmiennych

• Zmienne aplikacyjne

• Zmienne behawioralne

4. Przygotowanie zmiennych do modelowania

• Flaga GB

• Dyskretyzacja i inne metody przygotowania zmiennych

• Wybór zmiennych do modelowania

5. Prognozowanie prawdopodobieństwa defaultu

• Regresja logistyczna i inne metody

6. Metodyka budowy karty scoringowej i transformacji jej na klasy ratingowe

7. Ocena jakości uzyskanej karty scoringowej

• Wybór formy funkcyjnej

• Testy jakości dopasowania

• Zdolność dyskryminacyjna/predykcyjna

• Analiza stabilności

• Wymiary oceny

8. Dobór punktu odcięcia

Literatura:

Banasik, J., & Crook, J. (2004). Does reject inference really improve the performance of application scoring models? Journal of Banking & Finance, vol 28, pp. 857-874.

Banasik, J., & Crook, J. (2007). Reject inference, augmentation, and sample selection. European Journal of Operational Research, 183 (2007) pp. 1582–1594.

Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. Hoboken, NJ: Wiley.

King, G., & Zeng, L. (2003). Logistic Regression in Rare Events Data. Journal of Statistical Software, 8(2).

Kleinbaum, D. G., Klein, M., & Pryor, E. R. (2010). Logistic regression: a self-learning text. New York: Springer.

Löffler, G., & Posch, P. N. (2013). Credit risk modeling using Excel and VBA. Chichester: John Wiley & Sons.

Siddiqi, N. (2006). Credit risk scorecards developing and implementing intelligent credit scoring. Hoboken (N.J.): Wiley.

Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit scoring and its applications. Philadelphia: Society for Industrial and Applied Mathematics

Efekty uczenia się:

Student będzie umiał przeprowadzić cały proces budowy karty scoringowej służącej prognozowaniu prawdopodobieństwa defaultu - poczynając od przygotowania danych, przez estymację modelu i wykonanie oceny jego jakości, aż po dobór właściwego punktu odcięcia.

SU05, SU06, SK01, SK03, SU04, SU03, SU02, SU01, SW03, SW02, SW01, SW04, SW05, SK02, SK04

Metody i kryteria oceniania:

Projekt zaliczeniowy (zaliczenie na ocenę)

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Marcin Chlebus
Prowadzący grup: Marcin Chlebus
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.2.0-80474ed05 (2024-03-12)