公众号从 7 月底不再更新,
本着发一次广告写一篇原创的原则,
最后一次广告排在 7 月 28 日
因此原创大概写到那天左右。
今年还有两本书的合约,
现在完全没有时间写。
是时候做出取舍了,
要不什么都干不好。
我只写高质量的文章,
如果质量达不到我的要求,
那还不如不写不发,
由于 7 月的广告已排不能毁约,
这个月还会出四篇原创,
看一篇少一篇了。
等到两本书完成时,
再归来。
本文含 4616 字,40 图表截屏
建议阅读 24 分钟
0
引言
本文是「信用风险建模 in Python」系列的第三篇,其实在之前的 Cufflinks 那篇已经埋下了信用风险的伏笔,
在伯努利模型中,我们用一下违约指示函数来对第 n 个借贷人违约建模
这种建模方式是直接赋值给违约事件和存活事件一个概率,但并没对违约事件建模。如果要做的更精细点,我们可以引进随机变量 Xn,定义为违约事件,即当随机变量超过一个阈值时违约,那么违约指示函数为
该随机变量 Xn 可以是离散型或连续性,以上这种指定违约的模式打开了很多的建模可能性。如果以伯努利分布(二项分布)为起点,我们很自然的会联想到泊松分布 (Poisson distribution),该分布是对一段时间某种事件发生的次数建模的。如果把事件想成违约,那么该事件发生一次和一次以上就是违约,即 Xn ≥ 1,发生零次就是存活,即 Xn < 1。
根据泊松分布的 CDF,我们得到