Strategia di credito e perdita attesa minima

Credit Risk Modeling in Python

Michael Crabtree

Data Scientist, Ford Motor Company

Scelta dei tassi di accettazione

Il primo tasso di accettazione era 85%, ma si possono provare altri tassi
Due opzioni per testare tassi diversi:
- Calcolare manualmente soglia, bad rate e perdite
- Creare automaticamente una tabella con questi valori e scegliere un tasso
La tabella di tutti i valori possibili è detta tabella strategia

Impostare la tabella strategica

Impostare array o liste per salvare ogni valore

# 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 = []

Calcolo dei valori della tabella

Calcolare soglia e bad rate per tutti i tassi di accettazione

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))

Interpretazione della tabella strategia

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

Esempio di tabella strategia e barra del bad rate

Aggiungere i prestiti accettati

Numero di prestiti accettati per ogni tasso di accettazione
- Si può usare len() o .count()

Tabella strategia con prestiti accettati

Aggiungere l'importo medio del prestito

loan_amnt medio dal set di test

Tabella strategia con importo medio del prestito

Stima del valore del portafoglio

Valore medio dei non default accettati meno valore medio dei default accettati
Si assume che ogni default sia una perdita di loan_amnt

Tabella strategia con valore stimato

Perdita attesa totale

Quanto ci aspettiamo di perdere sui default nel portafoglio

Formula per la perdita attesa totale

# 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']

Ayo berlatih!

Credit Risk Modeling in Python