Resumen del curso
Modelado del riesgo crediticio en Python
Michael Crabtree
Data Scientist, Ford Motor Company
Tu recorrido... hasta ahora
Preparar datos de crédito para modelos de ML
- Es clave entender los datos
- Mejorar los datos permite modelos simples de alto rendimiento
Desarrollar, puntuar y entender regresión logística y gradient boosted trees
Analizar el rendimiento al cambiar los datos
- Entender el impacto financiero de los resultados
- Implementar el modelo con una estrategia clara
Técnicas de modelización del riesgo
Modelos y marcos en este curso:
- Modelo de riesgo en tiempo discreto (puntual): la probabilidad de impago es un evento en un punto del tiempo
- Marco de modelo estructural: explica el impago según otros factores
Otras técnicas
- Modelo through-the-cycle (tiempo continuo): usa condiciones macro y otros efectos; el riesgo se ve como evento independiente
- Marco de forma reducida: enfoque estadístico que estima la probabilidad de impago como evento independiente basado en Poisson
Elección de modelos
Hay muchos modelos de ML, pero usamos regresión logística y árboles
- Son simples y explicables
- Su desempeño en probabilidades es adecuado
Muchos sectores financieros prefieren interpretabilidad
- Modelos complejos o de «caja negra» son un riesgo porque el negocio no puede explicar bien sus decisiones
- Las redes neuronales profundas suelen ser demasiado complejas
Mis consejos para ti
Enfócate en los datos
- Reúne tantos datos como puedas
- Usa varias técnicas para preparar y enriquecer los datos
- Conoce el negocio
- Aporta valor con datos
La complejidad puede ser un arma de doble filo
- Modelos muy complejos pueden rendir bien, pero se perciben como «caja negra»
- A menudo el negocio no acepta un modelo que no entiende
- Pueden ser grandes y difíciles de llevar a producción
¡Gracias!
Modelado del riesgo crediticio en Python
