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)

  • آمار خلاصه - خروجی رگرسیون لجستیک Summary Statistics -Logistic Regression output

  • کالیبراسیون Calibration

  • تفسیر کمی فرمول امتیاز Quantitative interpretation of Score Formula

  • اعتبارسنجی مدل: قدرت تشخیص Model Validation : Discriminatory Power

  • PD یک ساله در مقابل PD مادام العمر One-Year PD vs Lifetime PD

  • مکانیک سانسور - تجزیه و تحلیل چند دوره ای (PD مادام العمر) Censoring Mechanics- Multi Period Analysis (Lifetime PD)

  • مدل سازی PD مادام العمر ML (جنگل تصادفی) Lifetime PD ML (Random Forest) Modeling

زیان در صورت نکول (LGD) Loss Given Default (LGD)

  • درک نظری LGD LGD Theoretical Understanding

  • عناصر داده LGD LGD data elements

  • ایجاد پایگاه داده LGD LGD Database Creation

  • اهمیت احتمال درمان (PoC) در مدل سازی LGD Probability of Cure (PoC) Significance in LGD modeling

  • بررسی قاب داده و انجام تحلیل اکتشافی داده Exploring the dataframe and performing exploratory data analysis

  • بخش بندی داده و تحلیل ارزش اطلاعات Data Partitioning and Information Value Analysis

  • روش های رگرسیون LGD: رگرسیون توبیت LGD Regression Methods: Tobit Regression

  • روش های رگرسیون LGD: رگرسیون بتا LGD Regression Methods: Beta Regression

میزان در معرض نکول (EAD) Exposure at Default (EAD)

  • درک نظری EAD EAD Theoretical Understanding

  • مدل سازی EADF EADF Modeling

  • مدل سازی CCF CCF Modeling

نمایش نظرات

آموزش توسعه و اعتبارسنجی مدل زیان اعتباری مورد انتظار IFRS 9
جزییات دوره
5 hours
38
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
370
4.1 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Subhashish Ray Subhashish Ray

دارای گواهی B.E (E&E)، MBA (مالی)، PRM، SAS و Tableau