Melyik állítás igaz a VaR egyik legfontosabb korlátjára?

Egy 95%-os VaR modell az elmúlt 250 napból 22 túllépést mutatott. Mire utalhat ez leginkább?

Melyik jelenség jellemző leginkább a pénzügyi hozamok empirikus eloszlására?

Melyik tulajdonság különbözteti meg leginkább a GARCH modelleket az egyszerű historikus volatilitási megközelítésektől?

Miért kap egyre nagyobb szerepet az Expected Shortfall a modern szabályozásban?

Mit ír le legpontosabban a volatilitás klasztereződése a pénzügyi piacokon?

Melyik előnye van a gördülő VaR modelleknek a statikus VaR becslésekkel szemben?

Melyik helyzet növelheti leginkább a piaci kockázati modellek pontatlanságát?

Melyik állítás tükrözi legjobban a kiforrott piaci kockázati módszertan jelentőségét?

Modellek összehasonlítása

1. Adatbetöltés és minta létrehozása

Töltsd le az adatbázist, majd helyezd el a munkakönyvtáradba.

Ezután az alábbi kóddal generálj egy véletlen mintát:

set.seed(123)
parcialis %>%
 group_by(Class) %>%
 sample_frac(size = 0.85) %>%
 ungroup()

Fontos: a set.seed(123) értéket módosítsd a saját születési hónapod és napod kombinációjára (pl. március 5 → 305). 

2. Adatfelosztás

• 70% tanuló adatbázis
• 30% teszt adatbázis

3. Adattisztítás

• Hiányzó értékek kezelése
• Kiugró értékek kezelése

4. Adatok kiegyensúlyozása

Készíts kiegyensúlyozott adatbázist felülmintavételezéssel.

5. Modellek felépítése

• 1. modell: döntési fa veszteségmátrixszal: a rossz ügyfél hibás besorolása 2-szer nagyobb költségű.

• 2. modell: véletlen erdő.

6. Modellek értékelése

• klasszifikációs mátrix
• pontosság
• jó ügyfelek helyes besorolása
• rossz ügyfelek helyes besorolása
• AUC

alapján.

7. Összehasonlítás

• Melyik modell teljesít jobban?
• Melyik kezeli jobban a rossz ügyfeleket?
• Melyiket választanád és miért?

Fontos információk

• A feladat megoldására 80 perc áll rendelkezésre
• A korábbi szemináriumokon használt kódok felhasználhatók
• A feladat új adatbázison alapul

Fontos: Nem a kód másolása, hanem az eredmények értelmezése számít.

Változók leírása

• Class: célváltozó (Good = jó ügyfél, Bad = rossz ügyfél)
• Duration: hitel futamideje hónapban (hosszabb futamidő általában magasabb kockázat)
• Amount: hitel összege (nagyobb összeg → magasabb kockázat)
• InstallmentRatePercentage: törlesztőrészlet aránya a jövedelemhez képest (%)
• Age: ügyfél életkora
• NumberExistingCredits: meglévő hitelek száma
• CheckingAccountStatus.lt.0: dummy változó (1 = negatív számlaegyenleg, 0 = nem)
• CreditHistory.Critical: dummy változó (1 = problémás hitelmúlt, 0 = nem)
• SavingsAccountBonds.lt.100: dummy változó (1 = alacsony megtakarítás, 0 = nem)