Kreditstrategie und minimale erwartete Verluste

Kreditrisikomodellierung in Python

Michael Crabtree

Data Scientist, Ford Motor Company

Annahmequoten wählen

Erste Annahmequote: 85 %, andere Quoten sind möglich
Zwei Optionen, um verschiedene Quoten zu testen:
- Schwelle, Bad Rate und Verluste manuell berechnen
- Tabelle dieser Werte automatisch erstellen und Annahmequote wählen
Die Tabelle aller möglichen Werte heißt Strategietabelle

Strategietabelle einrichten

Arrays oder Listen einrichten, um die Werte zu speichern

# 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 = []

Tabellenwerte berechnen

Schwelle und Bad Rate für alle Annahmequoten berechnen

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))

Strategietabelle interpretieren

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

Beispiel: Strategietabelle und Bad-Rate-Balken

Angenommene Kredite hinzufügen

Anzahl der angenommenen Kredite pro Annahmequote
- len() oder .count() nutzbar

Strategietabelle mit angenommenen Krediten

Durchschnittliche Kreditsumme hinzufügen

Durchschnittlicher loan_amnt aus den Testdaten

Strategietabelle mit durchschnittlicher Kreditsumme

Portfoliowert schätzen

Durchschnittswert angenommener Nicht-Ausfälle minus Durchschnittswert angenommener Ausfälle
Nimmt an, dass jeder Ausfall einem Verlust von loan_amnt entspricht

Strategietabelle mit geschätztem Wert

Gesamterwarteter Verlust

Erwarteter Verlust durch Ausfälle im Portfolio

Formel für den gesamten erwarteten Verlust

# 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']

Lass uns üben!

Kreditrisikomodellierung in Python