Encerramento do curso
Modelagem de Risco de Crédito em Python
Michael Crabtree
Data Scientist, Ford Motor Company
Sua jornada... até aqui
Preparar dados de crédito para modelos de ML
- É essencial entender os dados
- Melhorar os dados permite modelos simples com alto desempenho
Criar, avaliar e interpretar regressão logística e gradient boosted trees
Analisar o desempenho mudando os dados
- Entender o impacto financeiro dos resultados
- Implementar o modelo com estratégia em mente
Técnicas de modelagem de risco
Modelos e frameworks vistos no curso:
- Modelo de risco em tempo discreto (ponto no tempo): a probabilidade de default é um evento pontual
- Framework estrutural: o modelo explica o default com base em outros fatores
Outras técnicas
- Modelo through-the-cycle (tempo contínuo): usa macroeconomia e outros efeitos, mas trata o risco como evento independente
- Framework de forma reduzida: abordagem estatística que estima a probabilidade de default como um evento Poisson independente
Escolhendo modelos
Há muitos modelos de ML, mas usamos regressão logística e árvores
- São simples e explicáveis
- Têm bom desempenho em probabilidades
Muitos setores financeiros preferem interpretabilidade
- Modelos complexos ou “caixa‑preta” são risco, pois o negócio não explica totalmente as decisões
- Redes neurais profundas costumam ser complexas demais
Dicas de mim pra você
Foque nos dados
- Colete o máximo possível
- Use várias técnicas para preparar e enriquecer
- Entenda o negócio
- Gere valor com dados
Complexidade do modelo é uma faca de dois gumes
- Modelos muito complexos podem performar bem, mas viram “caixa‑preta”
- Em muitos casos, o negócio não aceita um modelo que não entende
- Modelos complexos podem ser grandes e difíceis de colocar em produção
Obrigado!
Modelagem de Risco de Crédito em Python
