Zusammenfassung
Ein häufiges Anwendungsfeld von statistischen Verfahren in der Finanzindustrie ist die Ermittlung von Krediten, die von einem Ausfall betroffen sind. Der vorliegende Beitrag behandelt mit den Logit- und Probit-Modellen zwei Einsatzmöglichkeiten von Verfahren des überwachten statistischen Lernens in der Finanzindustrie und überprüft ihre Eignung zur Modellierung von Kreditausfallwahrscheinlichkeiten. Als Analysewerkzeug wird RStudio verwendet. Die Datengrundlage ist ein fiktiver Datenbestand, dessen Zusammensetzung sich an den Vorarbeiten von Altmann et al. orientiert. Im Vergleich wird deutlich, dass alle vorgestellten Probit- und Logit-Modellvarianten eine ansprechende Trennschärfe und Prognosefähigkeit für den betrachteten Anwendungsfall zeigen und sie darüber hinaus praktisch identische Ergebnisse liefern.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Altmann, E.I.: Financial ratios discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance 23, 589–609 (1968)
Altman, E.I., Hochtkiss, E.: Corporate financial distress and bakruptcy: Predict and avoid bankruptcy, analyze and invest in distressed Debt, 3. Aufl. Wiley, Hoboken (2006)
Altman, E.I., Iwanicz-Drozdowska, M., Laitinen, E.K., Suvas, A.: Financial distress prediction in an international context: A review and empirical analysis of Altman’s Z-Score model. Journal of International Financial Management & Accounting 28(2), 131–171 (2017)
Ambler, G., Royston, P.: Fractional polynomial Model Selection procedures: Investigation of type I Error Rates. J. Stat. Comput. Simul. 69, 89–108 (2001)
Ambler, G., Benner, A., Luecke, S.: Multivariable fractional oolynomials, package ‘mfp’, 9. September 2015, Version 1.5.2. https://cran.r-project.org/web/packages/mfp/mfp.pdf (2015). Zugegriffen: 28. Aug. 2020
Anderson, R.: The Credit Scoring Toolkit: Theory and practice for retail credit risk management and decision automation. Oxford University Press, Oxford (2007)
Baesens, B., Rösch, D., Scheule, H.: Credit risk analytics: Measurement techniques, applications, and examples in SAS. Wiley, Hoboken (2016)
Basel Committee on Banking Supervision.: Studies on the validation of internal rating systems. Working Paper No. 14, Revised Version May 2005. https://www.bis.org/publ/bcbs_wp14.pdf (2005). Zugegriffen: 28. Aug. 2020
Bellini, T.: IFRS 9 and CECL credit risk modelling and validation: A practical cuide with examples worked in R and SAS. Academic Press, London (2019)
Blochwitz, S., Martin, M.R.W., Wehn, C.S.: Statistical approaches to PD Validation. In: Engelmann, B., Rauhmeier, R. (Hrsg.) The basel II risk parameters: Estimation, validation, stress testing – with applications to loan risk management, 2. Aufl., S. 293–309. Springer, Berlin (2011)
Box, G.E.P., Tidwell, P.W.: Transformation of the independent variables. Technometrics 4(4), 531–550 (1962)
Brown, L.D., Cai, T., DasGupta, A.: Interval estimation for a binomial proportion. Statistical Science 16(2), 101–117 (2001)
Castermans, G., Martens, D., Van Gestel, B., Hamers, B., Baesens, B.: An overview and framework for PD backtesting and benchmarking. Journal of the Operational Research Society 61, 359–373 (2010)
DeLong, E.R., DeLong, D.M., Clarke-Pearson, D.L.: Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics 44, 837–845 (1988)
Deutsche Bundesbank: Validierungsansätze für Interne Ratingsysteme. Monatsbericht September, 55(9), 61–74. Eigenverlag, Frankfurt a. M (2003)
Engelmann, B.: Measures of a rating’s discriminative power: Applications and limitations. In: Engelmann, B., Rauhmeier, R. (Hrsg.) The basel II risk parameters: Estimation, validation, stress testing – with applications to loan risk management, 2. Aufl., S. 269–291. Springer, Berlin (2011)
European Banking Authority: Leitlinien für die PD-Schätzung, die LGD-Schätzung und die Behandlung von ausgefallenen Risikopositionen, EBA/GL/2017/16, 23/04/2018. https://eba.europa.eu/documents/10180/2192133/Guidelines+on+PD+and+LGD+estimation+%28EBA-GL-2017-16%29_DE.pdf (2018). Zugegriffen: 28. Aug. 2020
European Central Bank: Instructions for reporting the validation results of internal models – IRB Pillar I models for credit risk, February 2019. https://www.bankingsupervision.europa.eu/banking/tasks/internal_models/shared/pdf/instructions_validation_reporting_credit_risk.en.pdf (2019). Zugegriffen: 28. Aug. 2020
Fingerlos, U.R., Golla, G., Pastwa, A., Gluchowski, P., Gabriel, R.: Risikoreporting in Finanzinstituten: Anforderungen, Konzepte. Prototyping. Springer Gabler, Wiesbaden (2020)
Greene, W.H.: Econometric analysis, 8. Aufl. Pearson Education, New York (2018)
Harrell, F.E., Jr.: Regression modeling strategies – With applications to linear models, logistic and ordinal regression, and survival analysis, 2. Aufl. Springer, Cham (2015)
Hayden, E.: Estimation of a rating model for corporate exposures. In: Engelmann, B., Rauhmeier, R. (Hrsg.) The basel II risk parameters: Estimation, validation, stress Testing – with applications to loan risk management, 2. Aufl., S. 13–24. Springer, Berlin (2011)
Hill, R.C., Griffiths, W.E., Lim, G.C.: Principles of econometrics, 5. Aufl. Wiley, Hoboken (2018)
Hosmer, D.W., Jr., Lemeshow, S., Sturdivant, R.X.: Applied logistic regression, 3. Aufl. Wiley, Hoboken (2013)
Hothorn, T., Seibold, H., Zeileis, A.: A toolkit for recursive partytioning, package ‘partykit’, 10. Juli 2020, Version 1.2–9. https://cran.r-project.org/web/packages/partykit/partykit.pdf (2020). Zugegriffen: 28. Aug. 2020
Jopia, H.: Scoring modeling and optimal binning, package ‘smbinning’, 1. April 2019, Version 0.9. https://cran.r-project.org/web/packages/smbinning/smbinning.pdf (2019). Zugegriffen: 28. Aug. 2020
Lessmann, S., Baesens, B., Seow, H.-V., Thomas, L.C.: Benchmarking State-of-the-Art classification algorithms for credit scoring: An update of research. Eur. J. Oper. Res. 247, 124–136 (2015)
Löffler, G., Posch, P.N.: Credit risk modeling using excel and VBA, 2. Aufl. Wiley, Chichester (2011)
Osborne, J.W.: Best practices in logistic regression. Sage Publications, Thousand Oaks (2015)
Rauhmeier, R.: PD-Validation: Experience from Banking Practice. In: Engelmann, B., Rauhmeier, R. (Hrsg.) The basel II risk parameters: Estiimation, validation, stress Testing – with applications to loan risk management, 2. Aufl., S. 311–347. Springer, Berlin (2011)
Robin, X., Turck, N., Hainard, A.., Tiberti, N., Lisacek, F., Sanchez, J.-C., Müller, M., Siegert, S., Doering, M.: Display and analyze ROC curves, package ‘pROC’, 19. März 2020, Version 1.16.2. https://cran.r-project.org/web/packages/pROC/pROC.pdf (2020). Zugegriffen: 28. Aug. 2020
Rösch, D., Scheule, H.: Deep credit risk: Machine learning with python. AutorenServices, Fulda (2020)
Sauerbrei, W., Meier-Hirmer, C., Benner, A., Royston, P.: Multivariable regression model building by using fractional polynomials: Description of SAS, STATA and R programs. Comput. Stat. Data Anal. 50, 3464–3485 (2006)
Siddiqi, N.: Intelligent credit scoring: Building and implementing better credit risk scorecards, 2. Aufl. Wiley, Hoboken (2017)
Wooldridge, J.M.: Introductory econometrics – A modern approach, 6. Aufl. Cengage Learning, Boston (2016)
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Fingerlos, U.R., Pastwa, A. (2021). Einsatz von Logit- und Probit-Modellen in der Finanzindustrie. In: Frick, D., et al. Data Science. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-33403-1_21
Download citation
DOI: https://doi.org/10.1007/978-3-658-33403-1_21
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-33402-4
Online ISBN: 978-3-658-33403-1
eBook Packages: Computer Science and Engineering (German Language)