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 (330h) Przedmioty kierunkowe do wyboru - studia II stopnia FR - grupa 3 (430h) Przedmioty kierunkowe do wyboru- studia I stopnia EP Przedmioty wyboru kierunkowego dla studiów licencjackich EM Przedmioty wyboru kierunkowego dla studiów licencjackich FIR Przedmioty wyboru kierunkowego dla studiów licencjackich IE Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM
Punkty ECTS i inne:	(brak) 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)

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.