Modelado del riesgo crediticio en Python
Michael Crabtree
Data Scientist, Ford Motor Company
| Pago | Fecha de pago | Estado del préstamo |
|---|---|---|
| $100 | 15-jun | No default |
| $100 | 15-jul | No default |
| $0 | 15-ago | Default |
Fórmula de pérdida esperada:
expected_loss = PD * EAD * LGD
Dos tipos principales de datos:
| Solicitud | Comportamiento |
|---|---|
| Tasa de interés | Antigüedad laboral |
| Calificación | Default histórico |
| Importe | Ingresos |
| Columna | Columna |
|---|---|
| Ingresos | Calificación del préstamo |
| Edad | Importe del préstamo |
| Tenencia de vivienda | Tasa de interés |
| Antigüedad laboral | Estado del préstamo |
| Intención del préstamo | Default histórico |
| % de ingresos | Antigüedad crediticia |
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()
Modelado del riesgo crediticio en Python