TianChi_loadDefault
大家好，我是coggle开源小组成员庐州小火锅，这篇文章将介绍天池学习赛贷款违约预测的TOP6单模方案（具体介绍见我的csdn文章： ://blog.csdn.net/ ）。现附上比赛链接天池学习赛贷款违约预测。 。核心代码见模型文件夹下的ipynb文件，user_data，功能文件夹负责放置中间文件，生成结果见user_data中的xgb.csv。
2021-11-30 18:33:38
476KB
1
贷款违约预测竞赛数据，是个人的金融交易数据，已经通过了标准化、匿名处理。包括200000样本的800个属性变量，每个样本之间互相独立。每个样本被标注为违约或未违约，如果是违约则同时标注损失，损失在0-100之间，意味着贷款的损失率。未违约的损失率为0，通过样本的属性变量值对个人贷款的违约损失进行预测建模。数据来自英国帝国理工大学。
2021-11-24 14:53:08
581.69MB
1
本项目通利用Kaggle平台predict-loan-defaulters 贷款数据，通过逻辑回归模型来对这些数据进行预测判断，构建贷款违约预测模型，建立预测模型，预测正处于贷款期间的人的违约的概率 。在贷款管理方面，如果可以通过构建量化模型对客户的信用等级进行一定的区分。得知了每个账户的违约概率后，可以预估一下未来的坏账比例，及时做好资金安排。也可以对违约概可能性较高的客户进行更加频繁的“关怀”，及时发现问题，以避免损失。
在这个量化模型中，被解释变量为二分类变量，因此需要构建一个排序类分类模型。而排序类分类模型中常使用的算法是逻辑回归。
2021-11-23 17:15:09
365KB
1
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。
2021-11-14 19:01:22
239.7MB
1
KMV的MATLAB的代码到默认和危险模型的距离
违约的距离，违约概率和危害模型以及财务数据的风险管理
=>计算COMPUSTAT和CRSP数据集上的默认距离和默认概率。
=>使用的方法：朴素方法，Black
Scholes方法和迭代方法（穆迪KMV方法）
=>使用危害模型和机器学习技术来预测消费者的信用风险。
=>风险价值计算，基于收益的历史分布的预期资产短缺。
=>
JP
Morgans风险度量模型和GARCH（1,1）的波动率估计的计算和比较
2021-11-12 03:39:51
18KB
1
kaggle信用数据科学竞赛
2018年Kaggle家庭信用违约风险机器学习竞赛完成的作品集
比赛可以在。
所有内核都可以在Kaggle上免费运行，可以在
2021-11-09 16:00:22
1.52MB
1
赛题信息：车贷资产由于进入门槛低、借款额度低、流动性高、限期短等优点，但做好风险防控依然是行业的主要问题之一。国内某贷款机构就面临了这样的难题，该机构的借款人往往拖欠还款或拒不还款，导致该机构的不良贷款率居高不下。
数据是真实数据脱敏上传因此有很强的代表性，非常适合练手。
本次比赛的评估指标是F1，也是相当的有代表性
2021-10-14 14:04:43
10.04MB
UCI Statlog (German Credit Data) 原始数据集
2021-10-08 10:36:20
26KB
1