Items related to Statistical and Machine Learning for Credit Risk Parameter...
Search results for Statistical and Machine Learning for Credit Risk Parameter...
Stock Image
Statistical and Machine Learning for Credit Risk Parameter Modeling
Seller: PBShop.store US, Wood Dale, IL, U.S.A.
Seller rating 5 out of 5 stars
PAP. Condition: New. New Book. Shipped from UK. Established seller since 2000. Seller Inventory # L2-9783736978799
Stock Image
Statistical and Machine Learning for Credit Risk Parameter Modeling
Seller: PBShop.store UK, Fairford, GLOS, United Kingdom
Seller rating 5 out of 5 stars
PAP. Condition: New. New Book. Shipped from UK. Established seller since 2000. Seller Inventory # L2-9783736978799
Buy New
£ 43.82
£ 3.29 shipping
Ships from United Kingdom to U.S.A.
Ships from United Kingdom to U.S.A.
Quantity: Over 20 available
Stock Image
Statistical and Machine Learning for Credit Risk Parameter Modeling
Seller: California Books, Miami, FL, U.S.A.
Seller rating 4 out of 5 stars
Condition: New. Seller Inventory # I-9783736978799
Seller Image
Statistical and Machine Learning for Credit Risk Parameter Modeling
Published by
Cuvillier, Cuvillier Okt 2023, 2023
ISBN 10: 3736978790
ISBN 13: 9783736978799
New
Taschenbuch
Seller: buchversandmimpf2000, Emtmannsberg, BAYE, Germany
Seller rating 5 out of 5 stars
Taschenbuch. Condition: 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. Seller Inventory # 9783736978799
Seller Image
Statistical and Machine Learning for Credit Risk Parameter Modeling
Print on DemandSeller: AHA-BUCH GmbH, Einbeck, Germany
Seller rating 5 out of 5 stars
Taschenbuch. Condition: 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. Seller Inventory # 9783736978799