Inhaltsangabe
Die Dissertation befasst sich mit der Anwendung von statistischem und maschinellem Lernen zur Modellierung der Verlustquote bei Ausfall (LGD). Im Forschungsgebiet der LGD-Modellierung gibt es eine Reihe von Fragen und Problemen, die bisher in der Literatur nicht berücksichtigt wurden. Erstens ist unklar, welche Merkmale einer LGD-Verteilung für die Prognosefähigkeit von Schätzmethoden entscheidend sind und welche Schätzmethode für die LGD-Modellierung am besten geeignet ist. Zweitens besteht ein Zielkonflikt zwischen der Transparenz und der Prognosegenauigkeit bei LGD-Schätzmethoden. Komplexe maschinelle Lernalgorithmen weisen eine bessere Vorhersageleistung auf, allerdings auf Kosten einer geringeren Erklärbarkeit. Umgekehrt bietet die lineare Regression eine hohe Interpretierbarkeit, scheint aber eine geringere Prognosegenauigkeit aufzuweisen. Um diesen Zielkonflikt zu lösen, besteht ein geeigneter Ansatz darin, die Vorhersagegenauigkeit der interpretierbaren linearen Regression durch maschinelles Lernen zu verbessern. Drittens stellt die Selektion optimaler Clustervariablen in der gruppierten Modellierung eine zu lösende Herausforderung dar. Die offenen Forschungsfragen werden in der Dissertation anhand von Kreditausfalldaten der Global Credit Data empirisch beantwortet
Die Inhaltsangabe kann sich auf eine andere Ausgabe dieses Titels beziehen.
Suchergebnisse für Statistical and Machine Learning for Credit Risk Parameter...
Beispielbild für diese ISBN
Statistical and Machine Learning for Credit Risk Parameter Modeling
Anbieter: California Books, Miami, FL, USA
Verkäuferbewertung 4 von 5 Sternen
Zustand: New. Bestandsnummer des Verkäufers I-9783736978799
Neu kaufen
EUR 61,23
Versand gratis
Versand innerhalb von USA
Versand innerhalb von USA
Anzahl: Mehr als 20 verfügbar
Foto des Verkäufers
Statistical and Machine Learning for Credit Risk Parameter Modeling
Verlag:
Cuvillier, Cuvillier Okt 2023, 2023
ISBN 10: 3736978790
ISBN 13: 9783736978799
Neu
Taschenbuch
Anbieter: buchversandmimpf2000, Emtmannsberg, BAYE, Deutschland
Verkäuferbewertung 5 von 5 Sternen
Taschenbuch. Zustand: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Die Dissertation befasst sich mit der Anwendung von statistischem und maschinellem Lernen zur Modellierung der Verlustquote bei Ausfall (LGD). Im Forschungsgebiet der LGD-Modellierung gibt es eine Reihe von Fragen und Problemen, die bisher in der Literatur nicht berücksichtigt wurden. Erstens ist unklar, welche Merkmale einer LGD-Verteilung für die Prognosefähigkeit von Schätzmethoden entscheidend sind und welche Schätzmethode für die LGD-Modellierung am besten geeignet ist. Zweitens besteht ein Zielkonflikt zwischen der Transparenz und der Prognosegenauigkeit bei LGD-Schätzmethoden. Komplexe maschinelle Lernalgorithmen weisen eine bessere Vorhersageleistung auf, allerdings auf Kosten einer geringeren Erklärbarkeit. Umgekehrt bietet die lineare Regression eine hohe Interpretierbarkeit, scheint aber eine geringere Prognosegenauigkeit aufzuweisen. Um diesen Zielkonflikt zu lösen, besteht ein geeigneter Ansatz darin, die Vorhersagegenauigkeit der interpretierbaren linearen Regression durch maschinelles Lernen zu verbessern. Drittens stellt die Selektion optimaler Clustervariablen in der gruppierten Modellierung eine zu lösende Herausforderung dar. Die offenen Forschungsfragen werden in der Dissertation anhand von Kreditausfalldaten der Global Credit Data empirisch beantwortet.Cuvillier Verlag, Nonnenstieg 8, 37075 Göttingen 176 pp. Englisch. Bestandsnummer des Verkäufers 9783736978799
Neu kaufen
EUR 53,93
EUR 60,00 Versand
Versand von Deutschland nach USA
Versand von Deutschland nach USA
Anzahl: 1 verfügbar
Foto des Verkäufers
Statistical and Machine Learning for Credit Risk Parameter Modeling
Print-on-DemandAnbieter: AHA-BUCH GmbH, Einbeck, Deutschland
Verkäuferbewertung 5 von 5 Sternen
Taschenbuch. Zustand: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Die Dissertation befasst sich mit der Anwendung von statistischem und maschinellem Lernen zur Modellierung der Verlustquote bei Ausfall (LGD). Im Forschungsgebiet der LGD-Modellierung gibt es eine Reihe von Fragen und Problemen, die bisher in der Literatur nicht berücksichtigt wurden. Erstens ist unklar, welche Merkmale einer LGD-Verteilung für die Prognosefähigkeit von Schätzmethoden entscheidend sind und welche Schätzmethode für die LGD-Modellierung am besten geeignet ist. Zweitens besteht ein Zielkonflikt zwischen der Transparenz und der Prognosegenauigkeit bei LGD-Schätzmethoden. Komplexe maschinelle Lernalgorithmen weisen eine bessere Vorhersageleistung auf, allerdings auf Kosten einer geringeren Erklärbarkeit. Umgekehrt bietet die lineare Regression eine hohe Interpretierbarkeit, scheint aber eine geringere Prognosegenauigkeit aufzuweisen. Um diesen Zielkonflikt zu lösen, besteht ein geeigneter Ansatz darin, die Vorhersagegenauigkeit der interpretierbaren linearen Regression durch maschinelles Lernen zu verbessern. Drittens stellt die Selektion optimaler Clustervariablen in der gruppierten Modellierung eine zu lösende Herausforderung dar. Die offenen Forschungsfragen werden in der Dissertation anhand von Kreditausfalldaten der Global Credit Data empirisch beantwortet. Bestandsnummer des Verkäufers 9783736978799
Neu kaufen
EUR 53,93
EUR 61,18 Versand
Versand von Deutschland nach USA
Versand von Deutschland nach USA
Anzahl: 1 verfügbar
Foto des Verkäufers
Statistical and Machine Learning for Credit Risk Parameter Modeling
Anbieter: preigu, Osnabrück, Deutschland
Verkäuferbewertung 5 von 5 Sternen
Taschenbuch. Zustand: Neu. Statistical and Machine Learning for Credit Risk Parameter Modeling | Marvin Zöllner | Taschenbuch | Englisch | 2023 | Cuvillier | EAN 9783736978799 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu. Bestandsnummer des Verkäufers 133715268
Neu kaufen
EUR 53,93
EUR 70,00 Versand
Versand von Deutschland nach USA
Versand von Deutschland nach USA
Anzahl: 5 verfügbar