贷款违约数据集Default_Fin.csv

宏观专题研究报告：那些债务违约-教会我们的事.pdf

贷款快速选择器 在 LendingClub.com 上预测贷款违约的洞察数据科学项目

一篇讲述信用卡违约预测模型分析以及影响因素探究的论文，信用卡对于银行来说是高收益和高风险并存的业务，伴随信用卡业务发展的是各大银行都在利用网络和 移动端的数据来建立客户的信用评分系统。如何从客户所填的资料里对客户进行信用评估、如何鉴别所填资料的真假性及应该要求客户填什么类型的资料等对银行来说是至关重要的。本文基于2005年台湾信用卡客户数据，建立Lasso-Logistic及随机森林模型来探索影响客户信用的关键因素，包括个体特征及某些客观特征，通过比较模型的预测准确度以及F得分等指标来选择预测效果更优的模型对银行信用卡违约进行预测分析。信用卡违约预测模型的建立以及影响客户信用的关键因素的探索，对于银行选择客户和设计资料填写具有重要的指导价值，并且能够为信贷决策提供一定的理论支持，具有很强的理论和现实意义。

这些代码遵循 Radkov P. 和 Minkova L. (2011) “使用 ASRF 模型评估银行的违约概率”，Serials Publications 的 IJTMM，从 Vasicek 模型（渐近单风险因子模型）和巴塞尔推导隐含违约概率2 框架。 当我们使用资产负债表数据（公开可用信息）的资本比率和监管当局（非公开信息）的资本比率时，衡量违约概率的方法非常简单且易于实施。 一旦我们知道违约的隐含概率，我们可以得到以下内容： 1. 通过蒙特卡罗模拟找出损失分布； 2. 找出应由拨备和核销所涵盖的预期损失。 3. 进行模拟和压力测试，如果一家银行或整个银行系统的违约概率急剧上升，将会发生什么。

我看了很多KMV模型，我干了2天算是弄出来一个相对靠谱的，虽然代码编写的有点小呆呆，但是结果肯定是可以满意，里面还有很多注释，适合小白。

房屋净值贷款 房屋净值贷款（HMEQ）报告5960份房屋净值贷款的特征和欠款信息。 房屋净值贷款是指债务人将其房屋净值用作基础抵押品的贷款。 在这个项目中，我们预测贷款违约的可能性。 数据集包含两个类别-多数（否定）类别包含80％的观察值，代表按时还清贷款的申请人，数据集的20％为少数（正面）类别，代表未按时偿还贷款的申请人贷款。 数据集在某些变量中还包含一些缺失值，这些缺失值是在建模之前进行估算的。 我们建立了四个监督分类模型：逻辑回归，支持向量机，随机森林和XGBoost。 ROC曲线下的面积（AUC）被用作所有模型的性能指标。 属性信息 坏：1 =申请人拖欠贷款或严重拖欠款项； 0 =申请人支付的贷款 贷款：贷款申请额 MORTDUE：现有抵押贷款的应付金额 VALUE：当前属性的值 原因：DebtCon =债务合并； HomeImp =家装 职位：职业类别 YOJ：现任工作年限

KMV的MATLAB的代码KMV模型 违约距离，R，预测信用等级变化，merton，DtD，信用风险模型

matlab 10折交叉验证知识代码贷款违约模型 基于ML的贷款违约预测模型。 该项目使用了不同的机器学习技术-1. Logistic回归，KNN，分类树，合奏（分类方法），套索（正则化技术），10折交叉验证（ML技术，用于有效地训练我们的分类器，将总体分为训练）和测试样本）。 1.初步要求 为了利用该项目，用户应在其PC上安装Matlab版本R2016b，以便他们可以编译和运行此存储库中包含的代码。 2.入门 为了运行模型，用户需要遵循以下简单步骤： 将信息从名为LCloanbook.rar的文件LCloanbook.rar到本地目录中（确保所有文件都保存在一个位置） 打开并运行名为loan_Default_Model.m的文件 所有测试结果应显示在屏幕的左下角（工作区） 享受！ :) 3.仓库组成 loan_Default_Model.m -Matlab代码，包括此模型中使用的不同机器学习技术的定义。 LCloanbook.rar实际的基础贷款数据和变量描述 README.md您当前正在读取的文件 5.执照 MIT许可证涵盖了此存储库中包含的文件。 6.作者 斯韦特洛萨尔·斯托耶夫

Lending Club 信用贷款违约数据是美国网络贷款平台 LendingClub 在2007-2015年间的信用贷款情况数据，主要包括贷款状态和还款信息。附加属性包括：信用评分、地址、邮编、所在州等，累计75个属性（列），890000笔 贷款（行）。数据字典在另外一个单独的文件中。