Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
Hlavní náplní přednášky jsou nejpoužívanější statistické modely pro hodnocení kreditního rizika - logistická
regrese, rozhodovací stromy, metoda gradient boosting.
V další části přednášky se posluchači seznámí s postupy, jak aplikovat skoringové modely v praxi, jak oceňovat
riziko jednotlivých úvěrů a celých portfolií.
Důraz bude kladen na propojení teoretických znalostí s postupy běžně používanými v bankovní praxi.
Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
First part of this course covers most popular statistical models for credit risk scoring - logistic regression, decision
trees, gradient boosting method.
In following lectures, students will get familiar with procedures how to use scoring models in practice and how to
estimate risk of single loan and whole portfolios.
Emphasis will be put on the link between theoretical knowledge and procedures used in banking practice.
Cíl předmětu -
Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
Cílem přednášky je seznámit studenty se základními pojmy řízení kreditních rizik. Přednáška seznamuje s aktuálními trendy řízení kreditního rizika v praxi.
Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
The objective of the lecture is to give an overview of the methods connected with credit risk management. The lecture will make students acquainted with the current trends in credit risk management.
Podmínky zakončení předmětu -
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (26.09.2020)
Vypracování domácích úkolů a ústní zkouška. Domácí úkoly obsahují tvorbu klasických i moderních prediktivních modelů na reálných datech.
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (26.09.2020)
Home assignments and oral exam. Home assignment will cover preparation of both classical and modern predictive models on real data.
Literatura -
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (26.09.2020)
[1] Hosmer, David W. and Stanley Lemeshow, Applied Logistic Regression, 2nd ed., New York; Chichester, Wiley, 2000, ISBN 0-471-35632-8.
[2] Chen T. and Guestrin, C.: XGBoost: A Scalable Tree Boosting System, https://arxiv.org/abs/1603.02754
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (26.09.2020)
[1] Hosmer, David W. and Stanley Lemeshow, Applied Logistic Regression, 2nd ed., New York; Chichester, Wiley, 2000, ISBN 0-471-35632-8.
[2] Chen T. and Guestrin, C.: XGBoost: A Scalable Tree Boosting System, https://arxiv.org/abs/1603.02754
Metody výuky -
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (27.09.2021)
Přednáška doprovázená slidy. K dispozici je studijní text, který pokrývá velkou část obsahu přednášky.
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (27.09.2021)
Lecture supported by slides. There is a study text which covers most of the lecture content.
Požadavky ke zkoušce -
Poslední úprava: RNDr. Jitka Zichová, Dr. (13.05.2019)
Požadavky ke zkoušce vycházejí ze sylabu přednášky a z probrané látky. Zkouška je ústní.
Poslední úprava: Sebastiano Vitali, Ph.D. (12.10.2017)
The requirements for the exams follow the syllabus of the course and they are limited to presented topics at the lectures.
The exam consists of an oral examination.
Sylabus -
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (26.09.2020)
1) Statistické modely pro hodnocení kreditního rizika - logistická regrese, rozhodovací stromy, metoda gradient boosting.
2) Aplikace skoringových modelů v praxi, oceňování rizika jednotlivých úvěrů a celých portfolií, propojení teoretických znalostí s postupy běžně používanými v bankovní praxi.
Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
1) Most popular statistical models for credit risk scoring - logistic regression, decision trees, gradient boosting method.
2) Procedures how to use scoring models in practice and how to estimate risk of single loan and whole portfolios. Emphasis will be put on the link between theoretical knowledge and procedures used in banking practice.
Vstupní požadavky -
Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
Základní znalost matematické statistiky (především lineární regrese), teorie pravděpodobnosti a matematické analýzy. Pro praktickou aplikaci probírané látky je ideální alespoň základní znalost jazyků R nebo Python.
Poslední úprava: RNDr. Jitka Zichová, Dr. (16.05.2019)
Basic knowledge of mathematical statistics (particularly linear regression), theory of probability and mathematical analysis. For practical usage of the lecture content it is ideal to have basic knowledge of R or Python languages.