Stratégie de crédit et perte minimale attendue

Modélisation du risque de crédit en Python

Michael Crabtree

Data Scientist, Ford Motor Company

Choisir les taux d’acceptation

Le premier taux d’acceptation a été fixé à 85 %, mais d’autres taux sont possibles
Deux options pour tester différents taux :
- Calculer manuellement seuil, bad rate et pertes
- Créer automatiquement un tableau de ces valeurs et choisir un taux
Le tableau de toutes les valeurs possibles s’appelle un tableau de stratégie

Configurer le tableau de stratégie

Configurer des tableaux ou listes pour stocker chaque valeur

# 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 = []

Calculer les valeurs du tableau

Calculer le seuil et le bad rate pour tous les taux d’acceptation

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))

Interpréter le tableau de stratégie

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

Exemple de tableau de stratégie et barre de bad rate

Ajouter les prêts acceptés

Le nombre de prêts acceptés pour chaque taux d’acceptation
- Utiliser len() ou .count()

Table de stratégie avec prêts acceptés

Ajouter le montant moyen du prêt

loan_amnt moyen dans les données de test

Table de stratégie avec montant moyen du prêt

Estimer la valeur du portefeuille

Valeur moyenne des prêts acceptés sans défaut moins valeur moyenne des prêts acceptés en défaut
Suppose que chaque défaut = perte du loan_amnt

Table de stratégie avec valeur estimée

Perte totale attendue

Montant que l’on s’attend à perdre sur les défauts du portefeuille

Formule de la perte totale attendue

# 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']

Passons à la pratique !

Modélisation du risque de crédit en Python