Управление рисками

MATLAB поддерживает импорт данных из различных источников, включая файлы, базы данных и данные финансовых провайдеров. Любой из этих типов импорта можно настроить, используя интерактивный инструмент, с дальнейшей автоматизацией процесса импорта, либо использовать набор готовых функций.

Видео:

Импорт из файлов в интерактивном режиме
Импорт из файлов с помощью функций

Построение модели потребительских рисков (кредитный скоринг) удобно начинать в приложении Binning Explorer. Binning Explorer позволяет интерактивно исследовать численные параметры характеризующих заемщиков, а также автоматизировать предобработку создания скоринговых карт. Binning Explorer позволяет:

• Импортировать данные;
• Изменять тип предиктора;
• Изменять разбиение алгоритма на один или более предикторов;
• Изменять параметры алгоритма для алгоритмов биннинга;
• Разделять бины по численным предикторам;
• Разделять бины по категориалым предикторам;
• Объединять вручную бины для объединения бинов числовых или категориальных предикторов;
• Изменять границы бина для одного предиктора;
• Изменять границы бина для нескольких предикторов;
• Настраивать параметры отображения;
• Экспортировать и сохранять бины.

После выполнения настройки бинов можно использовать как классический подход подбора модели кредитного скоринга на основе логистической регрессии, так и использовать методы машинного и глубокого обучения. 

Машинное обучение, в отличие от методов подбора линейных моделей, представляет собой набор нелинейных методов, возможность применимости которых определяется путем численного эксперимента. 

Наиболее рациональный способ выбора оптимальной модели в среде MATLAB - использование приложения Classification Learner App.

Более подробно рабочий процесс машинного обучения описан здесь.

Глубокое обучение - это наиболее современные методы построения моделей, основанных на глубоких нейронных сетях. Для создания скоринговых карт можно использовать различные архитектуры, основанные как на свёрточных, так и на рекуррентных нейронных сетях. Основное условие для создания модели нейронных сетей - достаточно большая обучаемая выборка. Конфигурацию сети можно собирать в виде кода или использовать интерактивный инструмент Deep Networks Designer, из которого, в свою очередь, можно получить как m код, так и объект модели сети. 

Видео:

Credit Scorecard Modeling Using the Binning Explorer App

Ссылка на документацию

Модели корпоративного кредитного риска предполагают расчеты риска убытков в связи с дефолтом по корпоративным кредитным продуктам и миграцию корпоративных кредитных рейтингов. 

В свою очередь методы расчета риска могут быть классифицированы на две группы: методы симуляции (Монте Карло), и методы, в основе которых лежат математические модели.

Основные задачи кредитного риска:

• Классификация кредитного рейтинга
• Расчет матрицы миграции и вероятности дефолта
• Анализ кредитнгого риска

В основе моделей классификации кредитного рейтинга, как правило, лежат модели машинного обучения, которые на сегодняшний день дают наиболее точные результаты . 

Матрица миграции и вероятность дефолта строят по историческим данным, используя вероятностный подход.

Анализ кредитного риска включает в себя такие методы, как моделирование Монте Карло, бутстреппинг, копулы, параметрические вероятностные модели, авторегрессионные модели и т. д. 

Видео:

Introduction to Risk Management Toolbox

Рыночные риски подразумевают риск потери в результате колебаний рыночных цен.

Наиболее важными метриками риска являются значение риска (Value-at-risk: VaR) и ожидаемые потери (expected shortfall: ES). VaR - это оценка того, сколько стоимости может потерять портфель за данный период времени с заданным уровнем уверенности.  ES - это потенциальный размер убытка, если он превысит VaR. 

Оценки этих метрик расчитываются на основе исторических данных. Рабочий процесс оценки и бектеста VaR при использовании Risk Management Toolbox определяется следующими шагами:

• Загрузка данных
• Построение графика
• Создание объекта varbacktest
• Выбор и построение моделей
• Выполнение тестов
• Выполнение VaR бектестов для множества портфелей
• Отображения результатов в виде отчетов

Этот рабочий процесс описан здесь.

Видео:

Introduction to Risk Management Toolbox

Заключительный этап рабочего процесса - внедрение модели в инфраструктуру предприятия. В зависимости от требований, этот этап может быть реализован различными инструментами:

• Генерация готового отчета исходя из описанных требований 
• Создание независимого приложения на основе MATLAB программы
• Создание MATLAB компоненты для встравивания в ПО предприятия
• Разворачивание алгоритма на сервере предприятия

Видео:

Enterprise IT Integration of MATLAB Programs

Наши услуги:

• Разработка и валидация моделей риска 
• Исследование подходов глубокого и машинного обучения к задачам оценки риска
• Разработка и развертывание систем риск метрик 
• Создание пользовательских приложения 
• Параллельные и облачные вычисления