ycliper

Популярное

Музыка Кино и Анимация Автомобили Животные Спорт Путешествия Игры Юмор

Интересные видео

2025 Сериалы Трейлеры Новости Как сделать Видеоуроки Diy своими руками

Топ запросов

смотреть а4 schoolboy runaway турецкий сериал смотреть мультфильмы эдисон
Скачать

Создайте свою первую модель кредитного риска на Python | Логистическая регрессия для квантов (пош...

quant

finance

quantitative

banking

Dimitri

Bianco

quantitative finance

risk management

data science

machine learning

logistic regression

python tutorial

probability modeling

matplotlib

statmodels

seaborn

learn quant

learn model development

learn model validation

learn python

learn statistics

python programming

learn data science

learn machine learning

Автор: Dimitri Bianco

Загружено: 2026-08-02

Просмотров: 7846

Описание: В этом видео мы создадим с нуля полную модель вероятности дефолта (PD) с использованием Python и логистической регрессии. Вместо погони за максимально возможной точностью, мы сосредоточимся на подходе профессионального количественного аналитика: научном подходе к разработке моделей, понимании данных и распознавании случаев, когда модель может вводить в заблуждение.

Вы узнаете, как создать бинарную целевую переменную, подготовить данные для статистического моделирования, выполнить отбор переменных на основе корреляции, построить модель логистической регрессии с помощью StatsModels, интерпретировать p-значения, генерировать прогнозы и оценивать производительность с помощью метрики ROC AUC.

Попутно мы обсудим, почему опытные разработчики моделей часто скептически относятся к моделям, которые кажутся «слишком хорошими», и почему надежность часто важнее, чем максимизация точности.

В этом видео вы узнаете:
Создание бинарной целевой переменной по умолчанию (PD)
Подготовку и очистку данных для моделирования
Удаление нечисловых переменных
Корреляционный анализ и тепловые карты для выбора переменных
Выбор независимых переменных
Построение модели логистической регрессии с помощью StatsModels
Интерпретацию коэффициентов модели и p-значений
Устранение статистически незначимых переменных
Генерацию вероятностных прогнозов
Измерение производительности модели с помощью ROC AUC
Распознавание признаков переобучения
Мышление как у профессионального разработчика количественных моделей

Этот урок является частью продолжающейся серии, в которой мы намеренно создаем несовершенные модели, анализируем их слабые стороны и постоянно улучшаем их — так же, как это делают реальные количественные команды в производственной среде.

Код на GitHub: https://github.com/dimitribianco/Pyth...

Если вам нравятся практические уроки по количественным финансам, кредитному риску, машинному обучению и Python, обязательно поставьте лайк, подпишитесь и включите уведомления, чтобы не пропустить будущие видео.

#Python #QuantFinance #CreditRisk #MachineLearning #LogisticRegression #DataScience #ModelDevelopment #RiskManagement #Statistics #Finance #ProbabilityOfDefault #ROC #ArtificialIntelligence #FinancialModeling #FancyQuant

Библиотеки:
Pandas
Numpy
Seaborn
Mayplotlib
Statsmodels

Не удается загрузить Youtube-плеер. Проверьте блокировку Youtube в вашей сети.
Повторяем попытку...
Создайте свою первую модель кредитного риска на Python | Логистическая регрессия для квантов (пош...

Поделиться в:

Доступные форматы для скачивания:

Скачать видео

  • Информация по загрузке:

Скачать аудио

Похожие видео

© 2025 ycliper. Все права защищены.



  • Контакты
  • О нас
  • Политика конфиденциальности



Контакты для правообладателей: [email protected]