Statistical And Machine Learning For Credit Risk Parameter Modeling

Statistical and Machine Learning for Credit Risk Parameter Modeling

Die Dissertation befasst sich mit der Anwendung von statistischem und maschinellem Lernen zur Modellierung der Verlustquote bei Ausfall (LGD). Im Forschungsgebiet der LGD-Modellierung gibt es eine Reihe von Fragen und Problemen, die bisher in der Literatur nicht berücksichtigt wurden. Erstens ist unklar, welche Merkmale einer LGD-Verteilung für die Prognosefähigkeit von Schätzmethoden entscheidend sind und welche Schätzmethode für die LGD-Modellierung am besten geeignet ist. Zweitens besteht ein Zielkonflikt zwischen der Transparenz und der Prognosegenauigkeit bei LGD-Schätzmethoden. Komplexe maschinelle Lernalgorithmen weisen eine bessere Vorhersageleistung auf, allerdings auf Kosten einer geringeren Erklärbarkeit. Umgekehrt bietet die lineare Regression eine hohe Interpretierbarkeit, scheint aber eine geringere Prognosegenauigkeit aufzuweisen. Um diesen Zielkonflikt zu lösen, besteht ein geeigneter Ansatz darin, die Vorhersagegenauigkeit der interpretierbaren linearen Regression durch maschinelles Lernen zu verbessern. Drittens stellt die Selektion optimaler Clustervariablen in der gruppierten Modellierung eine zu lösende Herausforderung dar. Die offenen Forschungsfragen werden in der Dissertation anhand von Kreditausfalldaten der Global Credit Data empirisch beantwortet.

Statistical and Machine Learning for Credit Risk Parameter Modeling

Interpretable Machine Learning

This book is about making machine learning models and their decisions interpretable. After exploring the concepts of interpretability, you will learn about simple, interpretable models such as decision trees, decision rules and linear regression. Later chapters focus on general model-agnostic methods for interpreting black box models like feature importance and accumulated local effects and explaining individual predictions with Shapley values and LIME. All interpretation methods are explained in depth and discussed critically. How do they work under the hood? What are their strengths and weaknesses? How can their outputs be interpreted? This book will enable you to select and correctly apply the interpretation method that is most suitable for your machine learning project.