Modelagem de Risco de Crédito em Python
Michael Crabtree
Data Scientist, Ford Motor Company
| Pagamento | Data do pagamento | Status do empréstimo |
|---|---|---|
| $100 | 15 Jun | Não default |
| $100 | 15 Jul | Não default |
| $0 | 15 Ago | Default |
Fórmula da perda esperada:
expected_loss = PD * EAD * LGD
Dois tipos principais de dados:
| Aplicação | Comportamental |
|---|---|
| Taxa de juros | Tempo de emprego |
| Grau | Histórico de default |
| Valor | Renda |
| Coluna | Coluna |
|---|---|
| Renda | Grau do empréstimo |
| Idade | Valor do empréstimo |
| Tipo de moradia | Taxa de juros |
| Tempo de emprego | Status do empréstimo |
| Finalidade do empréstimo | Histórico de default |
| Percentual da renda | Tempo de histórico de crédito |
pd.crosstab(cr_loan['person_home_ownership'], cr_loan['loan_status'],
values=cr_loan['loan_int_rate'], aggfunc='mean').round(2)
plt.scatter(cr_loan['person_income'], cr_loan['loan_int_rate'],c='blue', alpha=0.5)
plt.xlabel("Personal Income")
plt.ylabel("Loan Interest Rate")
plt.show()
Modelagem de Risco de Crédito em Python