🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش توسعه و اعتبارسنجی مدل زیان اعتباری مورد انتظار IFRS 9
- آخرین آپدیت
دانلود IFRS9 Expected Credit Loss Model Development and Validation
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش مدلسازی و اعتبارسنجی زیان اعتباری مورد انتظار (ECL) برای IFRS9 با استفاده از R
در این دوره، نحوه مدلسازی و اعتبارسنجی زیان اعتباری مورد انتظار (ECL) مطابق با استاندارد IFRS9 با استفاده از زبان برنامهنویسی R را خواهید آموخت. این آموزش برای متخصصان ریسک اعتباری، تحلیلگران مالی و دانشجویانی که به دنبال درک عمیقتر از مدلسازی ریسک اعتباری هستند، مناسب است.
مراحل زیان اعتباری مورد انتظار IFRS9 (ECL)
با اصول علمی و منطقی توسعه مدل زیان اعتباری آشنا شوید. این دوره به شما کمک میکند تا مراحل مختلف زیان اعتباری مورد انتظار (ECL) را درک کرده و نحوه تخصیص صحیح وامها به مراحل مختلف را بیاموزید.
ساخت مدلهای پیشبینیکننده با R
در این دوره، نحوه ساخت مدلهای پیشبینیکننده ریسک اعتباری با استفاده از R را خواهید آموخت. از مفاهیم پایه تا تکنیکهای پیشرفته مدلسازی، همه چیز در این دوره پوشش داده میشود.
اعتبارسنجی مدل
اعتبارسنجی مدلهای ریسک اعتباری یکی از جنبههای حیاتی در مدیریت ریسک است. این دوره به شما میآموزد که چگونه مدلهای خود را به طور موثر اعتبارسنجی کنید و از صحت و دقت آنها اطمینان حاصل کنید.
مقدمهای بر مدلسازی PD، LGD و EAD
این دوره مفاهیم کلیدی احتمال نکول (PD)، زیان در صورت نکول (LGD) و میزان در معرض نکول (EAD) را معرفی میکند. شما خواهید آموخت که چگونه این پارامترها را مدلسازی کرده و در محاسبه زیان اعتباری مورد انتظار (ECL) از آنها استفاده کنید.
مبانی برنامهنویسی R برای مدلسازی ریسک اعتباری
این دوره مفاهیم پایه برنامهنویسی R را که برای مدلسازی ریسک اعتباری ضروری هستند، پوشش میدهد. اگر دانش اولیهای در مورد R دارید، این دوره به شما کمک میکند تا مهارتهای خود را در این زمینه تقویت کنید.
پیشنیازها
دانش پایه برنامهنویسی R
کامپیوتر با اتصال اینترنت
اشتیاق و علاقه به یادگیری مهارتهای جدید
نصب RStudio
دانش پایه در مورد اجزای ریسک اعتباری
آشنایی با الگوریتمهای آماری پایه مانند رگرسیون لجستیک، بتا و توبیت
آشنایی با الگوریتمهای یادگیری ماشین مانند جنگل تصادفی
این دوره شما را با مفهوم ذخیره سازی، پیشینه IFRS9 و مسیر حرکت به سمت چارچوب محاسبه کاهش ارزش آینده نگر آشنا می کند. فرآیند تخصیص مرحله ای قبل از معرفی مفاهیم مدل های تغذیه کننده (مدل های PD، LGD و EAD) به طور کامل پوشش داده شده است.
با وجود ماهیت غیرتجویزی اصل حسابداری، رویه رایج نشان می دهد که به اصطلاح احتمال نکول (PD)، زیان در صورت نکول (LGD) و چارچوب میزان در معرض نکول (EAD) تکیه شود. بانک ها ECL را به عنوان ارزش فعلی حاصلضرب سه پارامتر فوق در یک دوره یک ساله یا مادام العمر، بسته به تجربه افزایش قابل توجهی در ریسک اعتباری از زمان شروع، تخمین می زنند. سه دسته اصلی در نظر گرفته می شود: مرحله 1 (ECL یک ساله)، مرحله 2 (ECL مادام العمر)، مرحله 3 (اعتبارات مختل).
مفاهیم احتمال نکول 12 ماه آینده (PD)، احتمال نکول مادام العمر، نکول حاشیه ای و مفاهیم مدل سازی و اعتبارسنجی LGD و EAD برای IFRS9 به صورت گام به گام از ابتدا با استفاده از برنامه نویسی R توضیح داده شده است.
این دوره همچنین توضیح می دهد که چگونه زیان های اعتباری مورد انتظار (ECL) بر سرمایه و نسبت های نظارتی تأثیر می گذارد. مفاهیم مدل سازی برای سبدهای کم نکول و مدل سازی داده های کمیاب نیز پوشش داده شده است. برای مدل سازی، هم مدل های خطی تعمیم یافته (GLMS) و هم روش های مدل سازی یادگیری ماشین (ML) به صورت گام به گام از ابتدا توضیح داده شده اند.
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
چارچوب نظری
Theoretical Framework
استاندارد IFRS 9 در مقابل بازل III
IFRS 9 vs Basel III
توزیع زیان وام
Loan Loss Distribution
اهداف IFRS9
Objectives of IFRS9
بهبود در استانداردهای حسابداری: IAS 39 به IFRS9
Improvement in Accounting Standards: IAS 39 to IFRS9
مفهوم مرحله بندی IFRS9
IFRS9 Staging Concept
ارزیابی افزایش قابل توجه در ریسک اعتباری (SICR)
Significant Increase in Credit Risk (SICR) Assessment
طبقه بندی ECL در IFRS9
IFRS9 ECL Classification
اجزای زیان اعتباری مورد انتظار (ECL)
Expected Credit Loss (ECL) Components
احتمال نکول (PD)
Probability of Default (PD)
تعریف نکول
Default Definition
بررسی مجموعه داده
Exploring the Dataset
آماده سازی داده ها
Data Preparation
ایجاد پرچم نکول
Default Flag Creation
ایجاد قاب های داده آموزشی و آزمایشی
Creating Training and Test Dataframes
ارزیابی ارزش اطلاعات
Information Value Assessment
دسته بندی و وزن شواهد (WoE)
Binning and Weight of Evidence (WoE)
متغیرهای WoE
WoE Variables
بررسی همبستگی
Correlation Check
تجزیه و تحلیل همبستگی زوجی
Pairs Correlation Analysis
برازش مدل رگرسیون لجستیک (PD یک ساله)
Fitting Logistic Regression Model (One Year PD)
نمایش نظرات