Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Econometric modelling of binary variable - methods of Credit Risk scorecards development in R

Informacje ogólne

Kod przedmiotu: 2400-ZEWW752
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: Econometric modelling of binary variable - methods of Credit Risk scorecards development in R
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Anglojęzyczna oferta zajęć WNE UW
Przedmioty kierunkowe dla Data Science
Przedmioty kierunkowe do wyboru - studia II stopnia EP - grupa 4 (1*30h)
Przedmioty kierunkowe do wyboru - studia II stopnia FR - grupa 2 (2*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 IE
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: angielski
Rodzaj przedmiotu:

nieobowiązkowe

Skrócony opis:

The course gives both theoretical knowledge and practical skills to model a credit scorecard. During the course all necessary steps to develop a scorecard would be discussed and presented. Starting from data preparation (handling a missing data and outliers, derived variables preparation, data sampling), going through model estimation (i.e. logistic regression) and model quality assessment (discriminatory power, stability) and ending on optimal cut-off choice.

During the course examples would be presented in R.

Pełny opis:

A detailed course plan:

1. Statistical inference basics

2. Modelling sample definition

3. Risk factors specificity

• Application data

• Behavioral data

4. Data preparation

• GB flag

• Discretization and different methods of data preparation

• Preliminary variable selection

5. Probability of Default prediction

• Logistic regression and other methods

6. Method of scorecard building and transformation to Masterscale

7. Scorecard Quality assessment

• Functional form selection

• Goodness-of-fit tests

• Discriminatory power

• Stability analysis

• Dimensions of Quality assessment

8. Optimal cut-off point choice

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:

The students will learn how to perform a whole scorecard development project (from modeler perspective). Starting with data preparation (handling a missing data and outliers, derived variables preparation, data sampling), through model estimation (i.e. logistic regression) and model quality assessment (discriminatory power, stability) to optimal cut-off choice.

KW01, KW02, KW03, KU01, KU02, KU03, KK01, KK02, KK03

Metody i kryteria oceniania:

All students will be obliged to:

• be present at the classes (according to common University of Warsaw rules),

• prepare a project (code + paper) in which they will present a comparison of different scorecards quality

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-19 - 2024-06-16
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)