مشخصات کتاب
Credit risk analytics : measurement techniques, applications, and examples in SAS
ویرایش:
نویسندگان: Baesens. Bart, Roesch. Daniel, Scheule. Harald
سری: Wiley & SAS business series
ISBN (شابک) : 9781119278283, 1119278341
ناشر: Wiley
سال نشر: 2016
تعداد صفحات: 515
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 مگابایت
قیمت کتاب (تومان) : 42,000
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل ریسک اعتباری: تکنیک های اندازه گیری، برنامه ها و نمونه هایی در SAS: SAS (فایل کامپیوتری)، اعتبار -- مدیریت -- پردازش داده ها، مدیریت ریسک -- پردازش داده ها، وام های بانکی -- پردازش داده ها.، کسب و کار و اقتصاد -- امور مالی.
میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 17
در صورت تبدیل فایل کتاب Credit risk analytics : measurement techniques, applications, and examples in SAS به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل ریسک اعتباری: تکنیک های اندازه گیری، برنامه ها و نمونه هایی در SAS نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب تجزیه و تحلیل ریسک اعتباری: تکنیک های اندازه گیری، برنامه ها و نمونه هایی در SAS
راهنمای جامع و مورد انتظار برای مدلسازی عملی ریسک اعتباری،
تجزیه و تحلیل ریسک اعتباری، راهنمای آموزشی هدفمندی را برای
مدیران ریسک ارائه میدهد که بهدنبال ساخت یا اعتبارسنجی مدلهای
داخلی برای مدیریت ریسک اعتباری هستند. این کتاب با ترکیب تئوری
با عمل، شما را در اصول مدیریت ریسک اعتباری راهنمایی میکند و به
شما نشان میدهد که چگونه این مفاهیم را با استفاده از برنامه
مدیریت ریسک اعتباری SAS
پیادهسازی کنید. کد ارائه شده
پوشش شامل تجزیه و تحلیل داده ها و پیش پردازش، امتیازدهی اعتباری
است. تخمین و پیشبینی PD و LGD، پرتفویهای کم پیشفرض، مدلسازی
و تخمین همبستگی، اعتبارسنجی، اجرای مقررات احتیاطی، تست استرس
مفاهیم مدلسازی موجود، و موارد دیگر، برای ارائه یک آموزش و مرجع
یک مرحلهای برای تجزیه و تحلیل ریسک اعتباری. وبسایت همراه
نمونههایی از دادههای پورتفولیوی اعتباری واقعی و شبیهسازی شده
را ارائه میدهد تا به شما کمک کند مفاهیم مورد بحث را آسانتر
پیادهسازی کنید، و تیم نویسنده متخصص بینش عملی در مورد این
تلاقی دنیای واقعی مالی، آمار و تجزیه و تحلیل ارائه میدهد. SAS
به دلیل کارایی و توانایی پردازش مقادیر زیاد داده، نرم افزار
ارجح برای مدل سازی ریسک اعتباری است. این کتاب به شما نشان
میدهد که چگونه از قابلیتهای این بسته پرقدرت برای ایجاد
مدلهای مدیریت ریسک اعتباری تمیز و دقیق استفاده کنید. - مفاهیم
کلی مدیریت ریسک اعتباری را درک کنید - مدلهای موجود را
اعتبارسنجی و تست استرس کنید - به نمونههای کاری بر اساس هر دو
واقعی دسترسی داشته باشید. و داده های شبیه سازی شده - یادگیری
کدهای مفید برای پیاده سازی و اعتبارسنجی مدل ها در SAS با وجود
تقاضای زیاد برای مدل های داخلی، آموزش جامع کمی در دسترس است.
تمرینکنندگان باید منابع تکهای، دورههای آموزشی اجرایی، و
مشاورهها را بررسی کنند تا اطلاعات مورد نیازشان را جمعآوری
کنند. این کتاب با ارائه یک منبع جامع و متمرکز با پشتیبانی از
راهنمایی متخصص به جستجو پایان می دهد. تجزیه و تحلیل ریسک
اعتباری مرجعی است که هر مدیر ریسک برای سادهسازی فرآیند
مدلسازی به آن نیاز دارد. بیشتر
بخوانید... < br> چکیده:
راهنمای جامع و مورد انتظار برای مدلسازی عملی ریسک اعتباری،
تجزیه و تحلیل ریسک اعتباری، راهنمای آموزشی هدفمندی را برای
مدیران ریسک ارائه میدهد که بهدنبال ایجاد کارآمد یا
اعتبارسنجی داخلی هستند مدل هایی برای مدیریت ریسک
اعتباری. بیشتر
بخوانید...
توضیحاتی درمورد کتاب به خارجی
The long-awaited, comprehensive guide to practical credit risk
modeling Credit Risk Analytics provides a targeted training
guide for risk managers looking to efficiently build or
validate in-house models for credit risk management. Combining
theory with practice, this book walks you through the
fundamentals of credit risk management and shows you how to
implement these concepts using the SAS credit risk management
program, with
helpful code provided. Coverage includes data analysis and
preprocessing, credit scoring; PD and LGD estimation and
forecasting, low default portfolios, correlation modeling and
estimation, validation, implementation of prudential
regulation, stress testing of existing modeling concepts, and
more, to provide a one-stop tutorial and reference for credit
risk analytics. The companion website offers examples of both
real and simulated credit portfolio data to help you more
easily implement the concepts discussed, and the expert author
team provides practical insight on this real-world intersection
of finance, statistics, and analytics. SAS is the preferred
software for credit risk modeling due to its functionality and
ability to process large amounts of data. This book shows you
how to exploit the capabilities of this high-powered package to
create clean, accurate credit risk management
models.-Understand the general concepts of credit risk
management -Validate and stress-test existing models -Access
working examples based on both real and simulated data -Learn
useful code for implementing and validating models in SAS
Despite the high demand for in-house models, there is little
comprehensive training available; practitioners are left to
comb through piece-meal resources, executive training courses,
and consultancies to cobble together the information they need.
This book ends the search by providing a comprehensive, focused
resource backed by expert guidance. Credit Risk Analytics is
the reference every risk manager needs to streamline the
modeling process. Read
more...
Abstract:
The long-awaited, comprehensive guide to practical credit
risk modeling Credit Risk Analytics provides a targeted
training guide for risk managers looking to efficiently build
or validate in-house models for credit risk
management. Read more...
فهرست مطالب
Content: Title Page
Copyright
Table of Contents
Dedication
Acknowledgments
About the Authors
Chapter 1: Introduction to Credit Risk Analytics
Why This Book Is Timely
The Current Regulatory Regime: Basel Regulations
Introduction to Our Data Sets
Housekeeping
Chapter 2: Introduction to SAS Software
SAS versus Open Source Software
Base SAS
SAS/STAT
Macros in Base SAS
SAS Output Delivery System (ODS)
SAS/IML
SAS Studio
SAS Enterprise Miner
Other SAS Solutions for Credit Risk Management
Reference
Chapter 3: Exploratory Data Analysis
Introduction
One-Dimensional Analysis. Two-Dimensional AnalysisHighlights of Inductive Statistics
Reference
Chapter 4: Data Preprocessing for Credit Risk Modeling
Types of Data Sources
Merging Data Sources
Sampling
Types of Data Elements
Visual Data Exploration and Exploratory Statistical Analysis
Descriptive Statistics
Missing Values
Outlier Detection and Treatment
Standardizing Data
Categorization
Weights of Evidence Coding
Variable Selection
Segmentation
Default Definition
Practice Questions
Notes
References
Chapter 5: Credit Scoring
Basic Concepts
Judgmental versus Statistical Scoring. Advantages of Statistical Credit ScoringTechniques to Build Scorecards
Credit Scoring for Retail Exposures
Reject Inference
Credit Scoring for Nonretail Exposures
Big Data for Credit Scoring
Overrides
Evaluating Scorecard Performance
Business Applications of Credit Scoring
Limitations
Practice Questions
References
Chapter 6: Probabilities of Default (PD): Discrete-Time Hazard Models
Introduction
Discrete-Time Hazard Models
Which Model Should I Choose?
Fitting and Forecasting
Formation of Rating Classes
Practice Questions
References. Chapter 7: Probabilities of Default: Continuous-Time Hazard ModelsIntroduction
Censoring
Life Tables
Cox Proportional Hazards Models
Accelerated Failure Time Models
Extension: Mixture Cure Modeling
Discrete-Time Hazard versus Continuous-Time Hazard Models
Practice Questions
References
Chapter 8: Low Default Portfolios
Introduction
Basic Concepts
Developing Predictive Models for Skewed Data Sets
Mapping to an External Rating Agency
Confidence Level Based Approach
Other Methods
LGD and EAD for Low Default Portfolios
Practice Questions
References. Chapter 9: Default Correlations and Credit Portfolio RiskIntroduction
Modeling Loss Distributions with Correlated Defaults
Estimating Correlations
Extensions
Practice Questions
References
Chapter 10: Loss Given Default (LGD) and Recovery Rates
Introduction
Marginal LGD Models
PD-LGD Models
Extensions
Practice Questions
References
Chapter 11: Exposure at Default (EAD) and Adverse Selection
Introduction
Regulatory Perspective on EAD
EAD Modeling
Practice Questions
References
Chapter 12: Bayesian Methods for Credit Risk Modeling
Introduction.
نظرات کاربران