Estrategia de crédito y pérdida esperada mínima

Modelado del riesgo crediticio en Python

Michael Crabtree

Data Scientist, Ford Motor Company

Selección de tasas de aceptación

La primera tasa de aceptación se fijó en 85%, pero se pueden elegir otras
Dos opciones para probar tasas distintas:
- Calcular umbral, tasa de morosidad y pérdidas manualmente
- Crear automáticamente una tabla con estos valores y elegir una tasa
La tabla con todos los valores posibles se llama tabla de estrategia

Preparar la tabla de estrategia

Configura arrays o listas para guardar cada valor

# Set all the acceptance rates to test
accept_rates = [1.0, 0.95, 0.9, 0.85, 0.8, 0.75, 0.7, 0.65, 0.6, 0.55,
                0.5, 0.45, 0.4, 0.35, 0.3, 0.25, 0.2, 0.15, 0.1, 0.05]
# Create lists to store thresholds and bad rates 
thresholds = []
bad_rates = []

Cálculo de los valores de la tabla

Calcula el umbral y la tasa de morosidad para todas las tasas de aceptación

for rate in accept_rates:
    # Calculate threshold
    threshold = np.quantile(preds_df['prob_default'], rate).round(3)
    # Store threshold value in a list
    thresholds.append(np.quantile(preds_gbt['prob_default'], rate).round(3))
    # Apply the threshold to reassign loan_status
    test_pred_df['pred_loan_status'] = \ 
        test_pred_df['prob_default'].apply(lambda x: 1 if x > thresh else 0)
    # Create accepted loans set of predicted non-defaults
    accepted_loans = test_pred_df[test_pred_df['pred_loan_status'] == 0]
    # Calculate and store bad rate
    bad_rates.append(np.sum((accepted_loans['true_loan_status']) 
             / accepted_loans['true_loan_status'].count()).round(3))

Interpretación de la tabla de estrategia

strat_df = pd.DataFrame(zip(accept_rates, thresholds, bad_rates),
                        columns = ['Acceptance Rate','Threshold','Bad Rate'])

Ejemplo de tabla de estrategia y barra de tasa de morosidad

Añadir préstamos aceptados

Número de préstamos aceptados para cada tasa de aceptación
- Puedes usar len() o .count()

Tabla de estrategia con préstamos aceptados

Añadir importe medio del préstamo

Media de loan_amnt del conjunto de prueba

Tabla de estrategia con importe medio del préstamo

Estimación del valor de la cartera

Valor medio de no impagos aceptados menos valor medio de impagos aceptados
Supone que cada impago pierde el loan_amnt

Tabla de estrategia con valor estimado

Pérdida total esperada

Cuánto esperamos perder por los impagos de la cartera

Fórmula de la pérdida total esperada

# Probability of default (PD)
test_pred_df['prob_default']
# Exposure at default = loan amount (EAD)
test_pred_df['loan_amnt']
# Loss given default = 1.0 for total loss (LGD)
test_pred_df['loss_given_default']

¡Vamos a practicar!

Modelado del riesgo crediticio en Python