James-Bond:公司债券评级变化预测模型-源码

占士邦 公司债券评级变化预测模型 团队成员：Wes Sapone，Kwame van Leeuwen，Ketan Patel，Susan Fan 目标：开发一种机器学习模型，该模型可以预测未来12个月公司债券的信用等级变化 概括 通过SQL从活跃于公司信用违约概率建模的公司中获取大型数据集。 数据清理在该项目中发挥了重要作用。 3个分类模型：使用Logistic回归，随机森林和梯度提升来训练/测试模型并分析大型历史数据框。 事实证明，拥有相对较少的评分事件的不平衡数据集是一个关键挑战。 使用原始的不平衡数据集，Random Forest和Gradient Boost模型似乎优于Logistic回归模型，其平衡精度得分约为83％。 将来可能进行的建模改进包括增强数据集，微调模型和优化目标变量。 演示幻灯片 数据清理 楷模 逻辑回归 随机森林 原始数据，默认参数1 随机森林原始数据，