nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

4. Detailliertes Fallbeispiel zur Kreditdatenanalyse auf Basis von RStudio

verfasst von : Uwe Rudolf Fingerlos, Guido Golla, Alexander Pastwa, Peter Gluchowski, Roland Gabriel

Erschienen in: Risikoreporting in Finanzinstituten

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Das vorliegende Kapitel beschäftigt sich mit einigen typischen Anwendungsfällen von Data Mining im Bereich des Risikoreportings von Finanzinstituten, die den in Abschn. 2.4.2 vorgestellten Phasen 2 und 3 (Datenuntersuchung und Datenaufbereitung), 4 (Modellierung) und 5 (Evaluierung) des CRISP-DM-Vorgehensmodells angesprochenen Problemfeldern nachempfunden sind. Dabei greift es auf die in Abschn. 2.4.4 vorgestellten Analyseverfahren (Clusterverfahren, Hauptkomponentenanalysen, lineare und logistische Regressionsanalysen, Entscheidungsbaumverfahren, künstliche neuronale Netze) zurück und zeigt in stark vereinfachter Form mithilfe des Programmpaketes RStudio, wie Teilaspekte der Modellierung von Kreditausfallwahrscheinlichkeiten in der Praxis aussehen könnten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Prototypische Umsetzung einer BI-basierten Reporting-Anwendung und eines Prüfungsansatzes

Nächstes Kapitel Zusammenfassung und Ausblick

Ist der Minimalwert von X_k nicht negativ (X_k ≥ 0), dann entspricht diese Konstante c dem Absolutbetrag der geringsten von 0 verschiedenen Differenz d (also d ≠ 0) zwischen benachbarten Werten von X_k, wenn X_k aufsteigend oder absteigend sortiert werden: c = abs(d). Ist der Minimalwert von X_k negativ (X_k < 0), dann wird zudem der Absolutbetrag des Minimalwertes der Variable X_k zu d addiert: c = abs(d) + abs(min(X_k)) (vgl. Sauerbrei et al. 2006, S. 3478.).

Insgesamt existieren, wenn J = 2 gewählt wurde, 8 ⋅ 8 = 64 Kombinationen (Modelle), da B insgesamt 8 Elemente besitzt: B = {−2, − 1, − 0, 5, 0, 0, 5, 1, 2, 3}. Von diesen 64 Modellen entfallen 8 Modelle auf Fälle mit b_j = b_j − 1, d. h. dass die beiden Transformationen F₁(X_k) und F₂(X_k) identisch sind. Die restlichen 56 Modelle entfallen auf Fälle mit b_j ≠ b_j − 1, wobei hier jede Parameterkombination zweimal vorkommt, da nur die Reihenfolge der Parameter (Transformationen F_j(X_k)) vertauscht ist und die Modelle deshalb redundant sind. Deshalb sind bei J = 2 insgesamt 8 + 56/2 = 36 verschiedene Modelle zu schätzen (vgl. ausführlich Hosmer et al. 2013, S. 94 ff. und Sauerbrei et al. 2006, S. 3464 ff. Für R bzw. RStudio wurde das Paket mfp entwickelt, das ebenfalls in Sauerbrei et al. 2006 erklärt wird und dessen Beschreibung unter https://cran.r-project.org/web/packages/mfp/index.html (10.03.2019) abgerufen werden kann.

Akkoç, S. (2012): An empirical comparison of conventional techniques, neural networks and the three stage hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) model for credit scoring analysis: The case of Turkish credit card data, in: European Journal of Operational Research 222, S. 168–178.

Alexander, C. (2008): Market Risk Analysis Volume I: Quantitative Methods in Finance, John Wiley & Sons, Chichester.

Allison, P. D. (2012): Logistic Regression Using SAS – Theory and Application, 2. Aufl., SAS Institute, Cary.

Alwosheel, A.; Van Cranenburgh, S.; Chorus, C. G. (2018): Is your dataset big enough? Sample size requirements when using artificial neural networks for discrete choice analysis, in: Journal of Choice Modelling 28 (9), S. 167–182.

Ambler, G.; Royston, P. (2001): Fractional Polynomial Model Selection Procedures: Investigation of Type I Error Rates, in: Journal of Statistical Computation and Simulation 69, S. 89–108.

Anders, U. (1995): Neuronale Netze in der Ökonometrie – Die Entmythologisierung ihrer Anwendungen. ZEW Discussion Paper Nr. 95-26, Mannheim, zuletzt abgerufen am: 12.04.2019, ftp://ftp.zew.de/pub/zew-docs/dp/dp9526.pdf.

Anders, U.; Szczesny, A. (1998): Prognose von Insolvenzwahrscheinlichkeiten mit Hilfe logistischer neuronaler Netzwerke, in: Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung 50 (10), S. 892–915.

Angelini, E.; di Tollo, G.; Roli, A. (2008): A neural network approach for credit risk evaluation, in: The Quarterly Review of Economics and Finance 48, S. 733–755.

Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2016): Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 14. Aufl., Springer Gabler, Heidelberg.

Backhaus, K.; Erichson, B.; Weiber, R. (2015): Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 3. Aufl., Springer Gabler, Heidelberg.

Baesens, B. (2014): Analytics in a Big Data World: The Essential Guide to Data Science and its Applications, Wiley, Hoboken.

Baesens, B.; Rösch, D.; Scheule, H. (2016): Credit Risk Analytics: Measurement Techniques, Applications, and Examples in SAS, Wiley, Hoboken.

Bartlein, P. J. (2016): R for Earth System Science, GEOG 4/590 Topics in GISci, Fall 2016, Week 9: Principal Components Analysis, Online-Quelle, zuletzt abgerufen am: 31.12.2018, http://geog.uoregon.edu/bartlein/courses/geog490/week09-PCA.html.

Basel Committee on Banking Supervision (2005): Studies on the Validation of Internal Rating Systems. Working Paper No. 14, Revised Version May 2005, zuletzt abgerufen am: 08.04.2019, https://www.bis.org/publ/bcbs_wp14.pdf.

Beck, M. W. (2018): NeuralNetTools: Visualization and Analysis Tools for Neural Networks, in: Journal of Statistical Software 85 (11).

Bishop, C. M. (1995): Neural Networks for Pattern Recognition, Clarendon Press, Oxford.

Bleymüller, J.; Weißbach, R. (2015): Statistik für Wirtschaftswissenschaftler, 17. Aufl., Vahlen, München.

Blochwitz, S.; Hohl, S. (2011): Validation of Banks’ Internal Rating Systems: A Supervisory Perspective, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 247–267.

Blochwitz, S.; Martin, M. R. W.; Wehn, C. S. (2011): 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., Springer, Berlin, S. 293–309.

Bortz, J.; Lienert, G. A. (2008): Kurzgefasste Statistik für die Klinische Forschung – Leitfaden für die verteilungsfreie Analyse kleiner Stichproben, 3. Aufl., Springer Medizin Verlag, Heidelberg.

Bortz, J.; Lienert, G. A.; Boehnke, K. (2008): Verteilungsfreie Methoden in der Biostatistik, 3. Aufl., Springer Medizin Verlag, Heidelberg.

Bortz, J.; Schuster, C. (2010): Statistik für Human- und Sozialwissenschaftler, 7. Aufl., Springer, Berlin.

Box, G.E.P.; Cox, D.R. (1964): An Analysis of Transformations, in: Journal of the Royal Statistical Society. Series B (Methodological), 26 (2), S. 211–252.

Breiman, L.; Friedman, J. H.; Olshen, R. A.; Stone, C. J. (1984): Classification and Regression Trees, Wadsworth International Group, Belmont.

Brown, I. L. (2014): Developing Credit Risk Models Using SAS Enterprise Miner and SAS/STAT: Theory and Applications, SAS Institute, Cary.

Brown, I.; Mues, C. (2012): An experimental comparison of classification algorithms for imbalanced credit scoring data sets, in: Expert Systems with Applications 39, S. 3446–3453.

Brown, L. D.; Cai, T.; DasGupta, A. (2001): Interval Estimation for a Binomial Proportion, in: Statistical Science 16 (2), S. 101–117.

Cameron, A. C.; Trivedi, P. K. (2005): Microeconometrics – Methods and Applications, Cambridge University Press, Cambridge.

Carmona, R. A. (2004): Statistical Analysis of Financial Data in S-Plus, Springer, New York.

Castermans, G.; Martens, D.; Van Gestel, B.; Hamers, B.; Baesens, B. (2010): An overview and framework for PD backtesting and benchmarking, in: Journal of the Operational Research Society 61, S. 359–373.

Cottin, C.; Döhler, S. (2013): Risikoanalyse – Modellierung, Beurteilung und Management von Risiken mit Praxisbeispielen, Springer, Wiesbaden.

Crawley, M. J. (2013): The R Book, 2. Aufl., Wiley & Sons, Chichester.

Davidson, R.; MacKinnon, J. G. (2009): Econometric Theory and Methods, International Edition, Oxford University Press, Oxford.

DeTienne, K.; DeTienne, D.; Joshi, S. (2003): Neural Networks as Statistical Tools for Business Researchers, in: Organizational Research Methods 6 (2), S. 236–265.

Dreiseitl, S.; Ohno-Machado, L. (2002): Logistic regression and artificial neural network classification models: a methodology review, in: Journal of Biomedical Informatics 35, S. 352–359.

Dua, D.; Graff, C. (2019): UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science, zuletzt abgerufen am: 14.09.2019, https://archive.ics.uci.edu/ml/citation_policy.html.

Efron, B.; Hastie, T. (2016): Computer Age Statistical Inference – Algorithms, Evidence, and Data Science, Corrected Printing November 10, 2017, Cambridge University Press, Cambridge.

Eid, M.; Gollwitzer, M.; Schmitt, M. (2017): Statistik und Forschungsmethoden, 5. Aufl., Beltz, Weinheim.

EMC (2015): Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, John Wiley & Sons, Indianapolis.

Engelmann, B. (2011): 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., Springer, Berlin, S. 269–291.

Erlenmeier, U. (2011): The Shadow Rating Approach: Experience from Banking Practice, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 37–74.

European Central Bank (2019): Instructions for reporting the validation results of internal models – IRB Pillar I models for credit risk, February 2019, zuletzt abgerufen: am 29.06.2019, https://www.bankingsupervision.europa.eu/banking/tasks/internal_models/shared/pdf/instructions_validation_reporting_credit_risk.en.pdf.

Field, A.; Miles, J.; Field, Z. (2012): Discovering Statistics Using R, Sage Publications, London.

Garg, A.; Tai, K. (2013): Comparison of statistical and machine learning methods in modelling of data with multicollinearity, in: International Journal of Modelling, Identification and Control 18 (4), S. 295–312.

Greene, W. H. (2012): Econometric Analysis, 7. Aufl., Pearson Education, Boston.

Günther, F.; Fritsch, S. (2010): neuralnet: Training of Neural Networks, in: The R Journal 2 (1), S. 30–38.

Hamerle, A.; Knapp, M.; Wildenauer, N. (2011): Modelling Loss Given Default: A „Point in Time“-Approach, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 137–150.

Hansen, L. K.; Salamon, P. (1990): Neural Network Ensembles, in: IEE Transactions on Pattern Analysis and Machine Intelligence 12 (10), S. 993–1001.

Harrell, F. E. Jr. (2015): Regression Modeling Strategies – With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis, 2. Aufl., Springer, Cham.

Hastie, T.; Tibshirani, R.; Friedman, J. (2009): The Elements of Statistical Learning – Data Mining, Inference, and Prediction, 2. Aufl., Springer, New York.

Hayden, E. (2011): 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., Springer, Berlin, S. 13–24.

Hayden, E.; Porath, D. (2011): Statistical Methods to Develop Rating Models, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 1–12.

Hill, R. C.; Griffiths, W. E.; Lim, G. C. (2018): Principles of Econometrics, 5. Aufl., Wiley, Hoboken.

Hosmer, D. W. Jr.; Lemeshow, S.; Sturdivant, R. X. (2013): Applied Logistic Regression, 3. Aufl., John Wiley & Sons, Hoboken.

Jahan, A.; Edwards, K. L. (2015): A state-of-the-art survey on the influence of normalization techniques in ranking: Improving the materials selection process in engineering design, in: Materials and Design 65, S. 335–342.

James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2013): An Introduction to Statistical Learning with Applications in R, Springer, New York.

Jayalakshmi, T.; Santhakumaran, A. (2011): Statistical Normalization and Back Propagation for Classification, in: International Journal of Computer Theory and Engineering 3 (1), S. 89–93.

Kassambara, A. (2017a): Statistical Tools for High-Throughput Data Analysis: PCA – Principal Component Analysis Essentials, zuletzt abgerufen am: 31.12.2018, http://www.sthda.com/english/articles/31-principal-component-methods-in-r-practical-guide/112-pca-principal-component-analysis-essentials/.

Kassambara, A. (2017b): Statistical Tools for High-Throughput Data Analysis: Principal Component Analysis in R: prcomp vs princomp, zuletzt abgerufen am: 31.12.2018, http://www.sthda.com/english/articles/31-principal-component-methods-in-r-practical-guide/118-principal-component-analysis-in-r-prcomp-vs-princomp/.

Kennedy, P. (2008): A Guide to Econometrics. 6. Aufl., Blackwell Publishing, Malden.

Khashman, A. (2010): Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes, in: Expert Systems with Applications 37, S. 6233–6239.

Khemakhem, S.; Boujelbene, Y. (2017): Artificial Intelligence for Credit Risk Assessment: Artificial Neural Network and Support Vector Machines, in: ACRN Oxford Journal of Finance and Risk Perspectives 6, S. 1–17.

Kleinman, K. (2011): Example 8.39: calculating Cramer’s V. R-Bloggers Online-Ressource, zuletzt abgerufen am: 02.12.2018, https://www.r-bloggers.com/example-8-39-calculating-cramers-v/.

Kutner, M. H.; Nachtsheim, C. J.; Neter, J.; Li, W. (2005): Applied Linear Statistical Models, 5. Aufl., McGraw-Hill Irwin, Boston.

Larose, D. T.; Larose, C. D. (2015): Data Mining and Predictive Analytics, 2. Aufl., John Wiley & Sons, Hoboken.

Lessmann, S.; Baesens, B.; Seow, H.-V.; Thomas, L.C. (2015): Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research, in: European Journal of Operational Research 247, S. 124–136.

Limpert, E.; Stahel, W. A.; Abbt, M. (2001): Log-normal Distributions across the Sciences: Keys and Clues, in: BioScience 51 (5), S. 341–352.

May, R.; Dandy, G.; Maier, H. (2011): Review of Input Variable Selection Methods for Artificial Neural Networks, in: Suzuki, K. (Hrsg.): Artificial Neural Networks – Methodological Advances and Biomedical Applications, Intech, zuletzt abgerufen am: 12.04.2019, https://www.intechopen.com/books/artificial-neural-networks-methodological-advances-and-biomedical-applications/review-of-input-variable-selection-methods-for-artificial-neural-networks.

Miller, M. B. (2014): Mathematics and Statistics for Financial Risk Management, 2. Aufl., John Wiley & Sons, Hoboken.

Moral, G. (2011): EAD Estimates for Facilities with Explicit Limits, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 201–246.

Mosteller, F.; Tukey, J. W. (1977): Data Analysis and Regression: A Second Course in Statistics, Addison Wesley, Reading.

Pindyck, R. S.; Rubinfeld, D. L. (1998): Econometric Models and Economic Forecasts, 4. Aufl., McGraw-Hill, Boston.

Pukelsheim, F. (1994): The Three Sigma Rule, in: The American Statistician, Vol. 48 (2), S. 88–91.

Rauhmeier (2011): 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., Springer, Berlin, S. 311–347.

Rokach, L.; Maimon, O. (2015): Data Mining with Decision Trees – Theory and Applications, 2. Aufl., World Scientific Publishing, Singapur.

Sauerbrei, W.; Meier-Hirmer, C.; Benner, A.; Royston, P. (2006): Multivariable regression model building by using fractional polynomials: Description of SAS, STATA and R programs, Computational Statistics & Data Analysis 50, S. 3464–3485.

Scheule, H.; Rösch, D.; Baesens, B. (2017): Credit Risk Analytics: The R Companion, CreateSpace, North Charleston.

Siddiqi, N. (2017): Intelligent Credit Scoring – Building and Implementing Better Credit Risk Scorecards, 2. Aufl., John Wiley & Sons, Hoboken.

Sola, J.; Sevilla, J. (1997): Importance of Input Data Normalization for the Application of Neural Networks to Complex Industrial Problems, in: IEEE Transactions on Nuclear Science 44 (3), S. 1464–1468.

Suarez-Alvarez, M. M.; Pham, D.; Prostov, M. Y.; Prostov, Y. I. (2012): Statistical approach to normalization of feature vectors and clustering of mixed datasets, in: Proceedings of The Royal Society A (468), S. 2630–2651.

Varian, H. R. (2014): Big Data: New Tricks for Econometrics, Journal of Economic Perspectives 28 (2), S. 3–28.

Venables, W. N.; Ripley, B. D. (2002): Modern Applied Statistics with S, 4. Aufl., Springer, New York.

Verbeek, M. (2012): A Guide to Modern Econometrics, 4. Aufl., John Wiley & Sons, Chichester.

Von Auer, L. (2016): Ökonometrie – Eine Einführung, 7. Aufl., Springer Gabler, Berlin.

Von Auer, L.; Hoffmann, S. (2017): Ökonometrie – Das R-Arbeitsbuch, Springer Gabler, Berlin.

Von Hippel, P. T. (2005): Mean, Median, and Skew: Correcting a Textbook Rule, Journal of Statistics Education 13 (2), DOI: https://doi.org/10.1080/10691898.2005.11910556.

Warner, B./Misra, M. (1996): Understanding Neural Networks as Statistical Tools, in: The American Statistician, 50 (4), S. 284–293.

West, D. (2000): Neural network credit scoring models, in: Computers & Operations Research 27, S. 1131–1152.

West, D.; Dellana, S.; Qian, J. (2005): Neural network ensemble strategies for financial decision applications, in: Computers & Operations Research 32, S. 2543–2559.

Wickham, H.; Grolemund, G. (2017): R for Data Science – Import, Tidy, Transform, Visualize, and Model Data, O’Reilly Media, Sebastopol.

Williams, R. (2018): Ordinal Independent Variables, University of Notre Dame, April 8, 2018, zuletzt abgerufen am: 25.11.2018, https://www3.nd.edu/~rwilliam/stats3/ordinalindependent.pdf.

Witten, I. H.; Frank, E.; Hall, M. A. (2011): Data Mining – Practical Machine Learning Tools and Techniques, Morgan Kaufmann, Burlington.

Wooldridge, J. M. (2016): Introductory Econometrics – A Modern Approach. 6. Aufl., Cengage Learning, Boston.

Zhang, G.; Patuwo, B. E.; Hu, M. Y. (1998): Forecasting with artificial neural networks: The state of the art, in: International Journal of Forecasting 14, S. 35–62.

Titel: Detailliertes Fallbeispiel zur Kreditdatenanalyse auf Basis von RStudio
verfasst von: Uwe Rudolf Fingerlos
Guido Golla
Alexander Pastwa
Peter Gluchowski
Roland Gabriel
Verlag: Springer Fachmedien Wiesbaden
Buch: Risikoreporting in Finanzinstituten
Print ISBN: 978-3-658-28439-8

Electronic ISBN: 978-3-658-28440-4

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-658-28440-4_4