Kursabschluss
Kreditrisikomodellierung in Python
Michael Crabtree
Data Scientist, Ford Motor Company
Deine Reise … bisher
Kreditdaten für ML-Modelle vorbereiten
- Daten gut verstehen
- Bessere Daten ermöglichen starke, einfache Modelle
Logistische Regressionen und Gradient-Boosted Trees entwickeln, scorEN und verstehen
Modellleistung analysieren, indem du die Daten änderst
- Finanziellen Einfluss der Ergebnisse verstehen
- Modell mit Blick auf die Strategie implementieren
Risikomodellierungs-Techniken
Modelle und Frameworks in diesem Kurs:
- Diskretes Hazard-Modell (zeitpunktbezogen): Ausfallwahrscheinlichkeit als Ereignis zu einem Zeitpunkt
- Strukturelles Modell-Framework: erklärt den Ausfall anhand anderer Faktoren
Weitere Techniken
- Through-the-cycle-Modell (kontinuierlich): Makrobedingungen u. a. werden genutzt, Risiko gilt als unabhängiges Ereignis
- Reduced-Form-Framework: statistischer Ansatz, der die Ausfallwahrscheinlichkeit als unabhängiges Poisson-Ereignis schätzt
Modelle wählen
Viele ML-Modelle verfügbar, genutzt wurden Logit und Bäume
- Einfach und erklärbar
- Gute Leistung für Wahrscheinlichkeiten
Viele Finanzbereiche bevorzugen Interpretierbarkeit
- Komplexe „Black-Box“-Modelle sind riskant, da Entscheidungen nicht voll erklärbar sind
- Tiefe Netze sind oft zu komplex
Tipps von mir für dich
Fokus auf Daten
- So viele Daten wie möglich sammeln
- Vielfältige Techniken zur Aufbereitung und Anreicherung nutzen
- Business verstehen
- Wert durch Daten steigern
Modellkomplexität ist zweischneidig
- Sehr komplexe Modelle performen evtl. gut, wirken aber wie „Black-Box“
- Oft akzeptieren Fachbereiche kein unverständliches Modell
- Komplexe Modelle sind groß und schwer produktiv zu setzen
Danke!
Kreditrisikomodellierung in Python
