Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania

NA SKRÓTY
STUDENCI, PRACOWNICY
JEDNOSTKI ORGANIZACYJNE
PRZEDMIOTY
- Modelowanie ryzyka kredytowego – budowa kart scoringowych w R
STUDIA
AKADEMIKI
POMOC

Modelowanie ryzyka kredytowego – budowa kart scoringowych w R

Informacje ogólne

Kod przedmiotu:	2400-ZEWW747
Kod Erasmus / ISCED:	14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu:	Modelowanie ryzyka kredytowego – budowa kart scoringowych w R
Jednostka:	Wydział Nauk Ekonomicznych
Grupy:	Przedmioty kierunkowe do wyboru - studia II stopnia EP - grupa 1 (330h) Przedmioty kierunkowe do wyboru - studia II stopnia EP - grupa 4 (130h) Przedmioty kierunkowe do wyboru - studia II stopnia FR - grupa 2 (230h) Przedmioty kierunkowe do wyboru - studia II stopnia FR - grupa 3 (430h) Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 1 (6*30h) Przedmioty kierunkowe do wyboru- studia I stopnia EP Przedmioty wyboru kierunkowego dla studiów licencjackich FIR Przedmioty wyboru kierunkowego dla studiów licencjackich IE Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM
Punkty ECTS i inne:	3.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
Język prowadzenia:	polski
Rodzaj przedmiotu:	nieobowiązkowe
Skrócony opis:	W ramach kursu omówiona (od strony teoretycznej i praktycznej) zostanie metodyka budowy karty scoringowej służących do prognozowania prawdopodobieństwa defaultu w instytucjach finansowych. W trakcie kursu omówione zostaną wszystkie niezbędne kroki potrzebne do zbudowania i oceny jakości karty scoringowej. W ramach kursu omówione zostaną sposoby przygotowania danych do modelowania (zarządzenie problemem braków danych i outlierów, inżynieria danych, sampling danych), metody estymacji (w szczególności regresja logistyczna), ocena jakości zbudowanej karty scoringowej (jakość dyskryminacyjna, stabilność itp.) oraz dobór punktu odcięcia. Wszystkie przykłady prezentowane będą w R.
Pełny opis:	Szczegółowy plan kursu: 1. Podstawy wnioskowania statystycznego 2. Definicja próby do modelowa 3. Specyfika zmiennych • Zmienne aplikacyjne • Zmienne behawioralne 4. Przygotowanie zmiennych do modelowania • Flaga GB • Dyskretyzacja i inne metody przygotowania zmiennych • Wybór zmiennych do modelowania 5. Prognozowanie prawdopodobieństwa defaultu • Regresja logistyczna i inne metody 6. Metodyka budowy karty scoringowej i transformacji jej na klasy ratingowe 7. Ocena jakości uzyskanej karty scoringowej • Wybór formy funkcyjnej • Testy jakości dopasowania • Zdolność dyskryminacyjna/predykcyjna • Analiza stabilności • Wymiary oceny 8. Dobór punktu odcięcia
Literatura:	Banasik, J., & Crook, J. (2004). Does reject inference really improve the performance of application scoring models? Journal of Banking & Finance, vol 28, pp. 857-874. Banasik, J., & Crook, J. (2007). Reject inference, augmentation, and sample selection. European Journal of Operational Research, 183 (2007) pp. 1582–1594. Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. Hoboken, NJ: Wiley. King, G., & Zeng, L. (2003). Logistic Regression in Rare Events Data. Journal of Statistical Software, 8(2). Kleinbaum, D. G., Klein, M., & Pryor, E. R. (2010). Logistic regression: a self-learning text. New York: Springer. Löffler, G., & Posch, P. N. (2013). Credit risk modeling using Excel and VBA. Chichester: John Wiley & Sons. Siddiqi, N. (2006). Credit risk scorecards developing and implementing intelligent credit scoring. Hoboken (N.J.): Wiley. Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit scoring and its applications. Philadelphia: Society for Industrial and Applied Mathematics
Efekty uczenia się:	Student będzie umiał przeprowadzić cały proces budowy karty scoringowej służącej prognozowaniu prawdopodobieństwa defaultu - poczynając od przygotowania danych, przez estymację modelu i wykonanie oceny jego jakości, aż po dobór właściwego punktu odcięcia. SU05, SU06, SK01, SK03, SU04, SU03, SU02, SU01, SW03, SW02, SW01, SW04, SW05, SK02, SK04
Metody i kryteria oceniania:	Projekt zaliczeniowy (zaliczenie na ocenę)

Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)

Okres:	2022-10-01 - 2023-01-29	Wybrany podział planu: ten tydzień cykl przedmiotu zobacz plan zajęć
Typ zajęć:	Konwersatorium, 30 godzin więcej informacji
Koordynatorzy:	Marcin Chlebus
Prowadzący grup:	Marcin Chlebus
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Zaliczenie na ocenę Konwersatorium - Zaliczenie na ocenę

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.