文件名称：James-Bond:公司债券评级变化预测模型
文件大小：15.49MB
文件格式：ZIP
更新时间：2024-05-07 23:28:14
JupyterNotebook
占士邦 公司债券评级变化预测模型 团队成员：Wes Sapone，Kwame van Leeuwen，Ketan Patel，Susan Fan 目标：开发一种机器学习模型，该模型可以预测未来12个月公司债券的信用等级变化 概括 通过SQL从活跃于公司信用违约概率建模的公司中获取大型数据集。 数据清理在该项目中发挥了重要作用。 3个分类模型：使用Logistic回归，随机森林和梯度提升来训练/测试模型并分析大型历史数据框。 事实证明，拥有相对较少的评分事件的不平衡数据集是一个关键挑战。 使用原始的不平衡数据集，Random Forest和Gradient Boost模型似乎优于Logistic回归模型，其平衡精度得分约为83％。 将来可能进行的建模改进包括增强数据集，微调模型和优化目标变量。 演示幻灯片 数据清理 楷模 逻辑回归 随机森林 原始数据，默认参数1 随机森林原始数据，
【文件预览】：
James-Bond-main
----images()
--------04.png(54KB)
--------presentation_slides.pptx(1.25MB)
--------02.png(48KB)
--------11.png(78KB)
--------07.png(75KB)
--------12.png(61KB)
--------13.png(118KB)
--------08.png(57KB)
--------06.png(54KB)
--------01.png(50KB)
--------09.png(78KB)
--------10.png(58KB)
--------14.png(164KB)
--------05.png(81KB)
--------03.png(92KB)
----dataset()
--------credit_rating_move_v3.py(7KB)
--------core_bonds_rating.py(7KB)
--------credit_rating_move_v1.py(3KB)
--------project2_working_pad_2.py(3KB)
--------core_us_rating_shited.py(4KB)
----gadgets.py(26KB)
----code()
--------logistic_regression.ipynb(108KB)
--------gb_model_rank_diff.ipynb(137KB)
--------core_macro no index join.ipynb(46KB)
--------gb_model.ipynb(93KB)
--------gb_model_rank_change.ipynb(148KB)
--------Random_Forest_Bond_FINAL.ipynb(166KB)
----LICENSE(34KB)
----README.md(3KB)
----streamlit()
--------.ipynb_checkpoints()
--------images()
--------streamlit.py(29KB)
--------data()
--------.DS_Store(6KB)
--------__pycache__()