क्रेडिट स्कोरिंग पर अच्छी किताबें / पेपर

Question

मैं क्रेडिट स्कोरिंग पर पुस्तकों के पुन: प्रकाशन की तलाश कर रहा हूं। मुझे इस समस्या के सभी पहलुओं में दिलचस्पी है, लेकिन ज्यादातर में: 1) अच्छी सुविधाएँ। उनका निर्माण कैसे करें? जो अच्छे साबित हुए हैं? 2) तंत्रिका नेटवर्क। क्रेडिट स्कोरिंग समस्या के लिए उनका आवेदन। 3) मैंने तंत्रिका नेटवर्क को चुना है, लेकिन मैं अन्य तरीकों में भी दिलचस्पी रखता हूं।

Comments

FYI करें, एक संपूर्ण स्टैक एक्सचेंज साइट है जो क्वांट फाइनेंस के लिए समर्पित है ।

— पलक

Answer 1

यदि आप स्कोरिंग की दुनिया में नए हैं, तो आपकी पहली पुस्तक एसएएस का उपयोग करके क्रेडिट स्कोरिंग पर नईम सिद्दीकी द्वारा होनी चाहिए। यदि आपने इसके लिए कक्षा नहीं ली है। क्लास का मुख्य फोकस लाखों डॉलर में एसएएस एंटरप्राइज माइनर को स्कोर करने और बेचने की समग्र समझ है।

यदि आपको सिद्धांत की आवश्यकता है तो आपको विश्वविद्यालय द्वारा पास से एक श्रेणीबद्ध डेटा विश्लेषण और डेटा खनन वर्ग की आवश्यकता है। इन वर्गों को लेने के बाद भी आपको मदद की आवश्यकता होगी।

वर्तमान में उपयोग की जाने वाली सबसे लोकप्रिय तकनीकें हैं

1. रसद प्रतिगमन
2. तंत्रिका जाल
3. वेक्टर मशीनों का समर्थन और
4. यादृच्छिक वन

क्लस्टरिंग, विभेदक विश्लेषण, कारक विश्लेषण, प्रमुख घटक भी आवश्यक हैं।

एलिजाबेथ मेयर द्वारा क्रेडिट स्कोरिंग भी आपको एक अच्छा अवलोकन देगा।

मैंने एसएएस इंस्टीट्यूट द्वारा क्रेडिट रिस्क मॉडलिंग क्लास भी ली, जिससे मुझे थोड़ी मदद मिली। यह एक निरंतर सीखने की प्रक्रिया है और यह कभी नहीं किया गया।

Bayesian लोगों को उनके तरीके भी पसंद हैं।

संपादित करें

मैं भी उल्लेख करना भूल गया। वहाँ से बाहर सबसे लोकप्रिय तकनीक में लॉजिस्टिक रिग्रेशन और हमेशा वह रहेगा जिसका उपयोग बैंक करते रहेंगे। अन्य तरीकों से ऊपरी प्रबंधन के लोगों को बेचना बहुत मुश्किल है, जब तक कि आपका बैंक इन तरीकों को समझने के बारे में कम देखभाल करने के लिए तैयार नहीं है और उनका ध्यान जोखिम लेने और पैसा बनाने में रहता है।

Comments

धन्यवाद! मैं स्पष्ट करने जा रहा हूं: मैं एक ऑनलाइन प्रतियोगिता में भाग ले रहा हूं, जहां लक्ष्य की संभावना है कि ऋणदाता की डिफ़ॉल्ट संभावना। इसलिए 1) मैं अपनी पसंद का कोई भी तरीका चुनने के लिए स्वतंत्र हूं। प्रतियोगिता 2 सप्ताह में समाप्त होती है, 2) मेरे पास व्यापक सीखने के लिए बहुत समय नहीं है। और 3) प्रदान किए गए डेटा पिछले क्रेडिट पर क्रेडिट ब्यूरो से कच्ची प्रतिक्रियाएं हैं, इसलिए मैं वास्तव में इस डेटा के साथ गैर-स्पष्ट सुविधाओं को निकालने में रुचि रखता हूं।

— नाया

इसके अलावा, आपकी प्रतिक्रिया के लिए धन्यवाद, मैं निश्चित रूप से आपके संदर्भों पर एक नज़र डालूंगा।

— नाया

वह प्रतियोगिता क्या है? क्या मैं जान सकता हूँ?

— xiaodai

Answer 2

मैं क्रेडिट स्कोरिंग फील्ड में काम करता हूं। भले ही मुझे अलग-अलग दृष्टिकोणों की खोज करना पसंद है, लेकिन मुझे लगता है कि लॉजिस्टिक रिग्रेशन अक्सर सबसे अच्छा होता है अगर सबसे अच्छा तरीका न हो। मैंने इस विषय पर सबसे हालिया शोधपत्रों का सर्वेक्षण नहीं किया है, लेकिन अधिकांश पत्रों में स्मृति से आप देखेंगे कि तंत्रिका जाल मॉडल जैसे अन्य दृष्टिकोण आमतौर पर भविष्य कहनेवाला शक्ति के संदर्भ में महत्वपूर्ण लिफ्ट प्रदान नहीं करते हैं (जैसा कि जीआईएनआई और एआर द्वारा मापा जाता है)। इसके अलावा, ये मॉडल आम आदमी की समझ बनाने के लिए बहुत कठिन होते हैं (अक्सर अधिकांश वरिष्ठ अधिकारियों के पास आंकड़ों में पृष्ठभूमि नहीं होती है), और लॉजिस्टिक प्रतिगमन का उपयोग करने वाला स्कोरकार्ड दृष्टिकोण मॉडल को समझाने में सबसे आसान लगता है। सच है, अधिकांश स्कोरकार्ड खाते में बातचीत नहीं करते हैं,

यह कहते हुए कि, अस्तित्व विश्लेषण तकनीकों का उपयोग करके स्कोरकार्ड बनाने में हाल ही में कुछ रुचियां आई हैं क्योंकि यह लॉजिस्टिक रिग्रेशन पर कुछ फायदे रखता है। अर्थात्, हम अधिक आसानी से मॉडल में स्थूल आर्थिक कारकों को शामिल कर सकते हैं, हम कम से कम 12 महीने पहले डेटा पर भरोसा करने के बजाय मॉडल बिल्ड में अधिक हाल के डेटा का उपयोग कर सकते हैं (क्योंकि रसद में बाइनरी संकेतक आमतौर पर डिफ़ॉल्ट रूप में परिभाषित किया गया है) अगले 12 महीने)। इस संबंध में मेरी थीसिस एक और परिप्रेक्ष्य पेश कर सकती है जिसमें यह उत्तरजीविता विश्लेषण का उपयोग करते हुए क्रेडिट स्कोरकार्ड का निर्माण करती है। मैंने दिखाया कि अस्तित्व विश्लेषण स्कोरकार्ड "लॉजिस्टिक रिग्रेशन स्कोरकार्ड के समान" कैसे दिखते और महसूस करते हैं, इसलिए उन्हें बहुत अधिक परेशानी पैदा किए बिना पेश किया जा सकता है।

अपनी थीसिस में मैंने एबीबीए एल्गोरिथ्म का भी वर्णन किया जो बिनिंग चर के लिए एक उपन्यास दृष्टिकोण है।

https://www.google.com.sg/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CDAQFjAA&url=http%3A%2F%2Fftpmirror.your.org%2Fpub%2Fwikimedia%2Fimages% 2Fwikipedia% 2Fcommons% 2F2% 2F2f% 2FAbout_Time _-_ Building_Credit_Scorecards_with_Survival_Analysis.pdf और Ei = 8D8MUorrJs2Trgf56YCwCQ और यूएसजी = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g और sig2 = kcEvjUUcn_wT93igxpYYDA और BVM = bv.50768961, d.bmk

अपडेट: मैं इस बात का कोई दावा नहीं करता कि मेरी थीसिस कोई अच्छी है या नहीं। यह क्षेत्र में एक व्यवसायी से सिर्फ एक और दृष्टिकोण है।

Comments

यह प्रश्न पर केंद्रित नहीं लगता है। आपका ठोस सुझाव "मेरी थीसिस पढ़ें" है। मैंने इसे नहीं पढ़ा है और मैं इसका मूल्यांकन करने के लिए योग्य नहीं हूं, लेकिन यह एक किताब या एक प्रकाशित पेपर के रूप में योग्य नहीं है।

— निक कॉक्स

@ इस सवाल का जवाब "अन्य तरीकों" से मिलता है, जो यह उत्तर देता है। बहुत से लोग उपयोगी होने के लिए एक डाउनलोड करने योग्य पाठ का लिंक ढूंढते हैं, शायद केवल एक संदर्भ से भी अधिक। एक अनाम ध्वजवाहक को: किसी को अपने काम का लिंक प्रदान करना स्पैम नहीं है। हम यहां शोधकर्ताओं और अन्य नवप्रवर्तकों का स्वागत करते हैं और अपनी क्षमताओं को सीमित करने के लिए हमारी मदद करने की आवश्यकता नहीं है कि वे अपने स्वयं के योगदान का हवाला देते हैं!

— whuber

मैं @ व्हीबर की बात लेता हूं। मैं यह भी दृढ़ता से मानता हूं कि किसी के स्वयं के काम का हवाला देना क्रम में है। xiaodai: मैं अपडेट हटा दूंगा। आपके पोस्ट की पूरी बात यह है कि आपकी थीसिस पढ़ने लायक हो सकती है। यदि आप ऐसा नहीं सोचते हैं, तो आप पोस्ट नहीं करेंगे। अंतर या शील के नोट को जोड़ने की आवश्यकता नहीं है।

— निक कॉक्स

Answer 3

• मैंने पिछले दिनों डी। शर्मा द्वारा गाइड टू क्रेडिट स्कोरिंग का उल्लेख किया है और यह लॉजिस्टिक रिग्रेशन और ट्री आधारित विधियों सहित दृष्टिकोणों पर एक अच्छा परिचयात्मक संदर्भ है।
• उपरोक्त गाइड जर्मन क्रेडिट डेटा का उपयोग करता है जिसमें सुविधाओं का एक समृद्ध समूह है। यदि आप डाटासेट के लिए खोज करते हैं, तो आपको अन्य वैकल्पिक दृष्टिकोण, विश्लेषण और तुलनाएँ मिलेंगी जो आपके डेटासेट के लिए सुविधा चयन और मॉडल की पसंद को सूचित करने में मदद कर सकते हैं।
• तंत्रिका नेटवर्क इस के रूप में एक द्विआधारी वर्गीकरण समस्या के लिए एक उचित विकल्प है। वास्तविक दुनिया में, एक क्रेडिट स्कोरिंग मॉडल भी एक ऋण आवेदन (कहते हैं) को अस्वीकार करने के कारणों को प्रदान करने की उम्मीद है। इसलिए यह एक ऐसा मॉडल बनाने में मदद करता है जहां आप पहचान सकते हैं कि किसी व्यक्ति के क्रेडिट इतिहास में कम क्रेडिट स्कोर में क्या विशेषताएं हैं और एक आवेदन को अस्वीकार करने का कारण बनता है। तंत्रिका नेटवर्क की तुलना में प्रतिगमन और पेड़ आधारित दृष्टिकोणों में व्याख्या करना आसान है। यदि आप फिट पर पूरी तरह से मूल्यांकन कर रहे हैं, तो एनएन एक कोशिश के लायक है