Conclusione del corso
Credit Risk Modeling in Python
Michael Crabtree
Data Scientist, Ford Motor Company
Il tuo percorso… finora
Prepara i dati di credito per il machine learning
- È fondamentale capire i dati
- Migliorarli permette modelli semplici ma performanti
Sviluppa, valuta e interpreta regressioni logistiche e gradient boosted trees
Analizza le prestazioni variando i dati
- Capisci l’impatto finanziario dei risultati
- Metti in produzione il modello con una strategia chiara
Tecniche di risk modeling
Modelli e framework trattati:
- Modello hazard a tempo discreto (point-in-time): la probabilità di default è un evento puntuale
- Framework strutturale: il modello spiega il default in base ad altri fattori
Altre tecniche
- Modello through-the-cycle (tempo continuo): usa condizioni macroeconomiche e altri effetti, ma il rischio è visto come evento indipendente
- Framework a forma ridotta: approccio statistico che stima la probabilità di default come evento indipendente basato su Poisson
Scelta dei modelli
Esistono molti modelli ML, ma abbiamo usato regressione logistica e alberi
- Sono semplici e spiegabili
- Le loro probabilità sono abbastanza accurate
Molti settori finanziari preferiscono modelli interpretabili
- Modelli complessi o “black box” sono rischiosi perché non si spiegano pienamente le decisioni
- Le reti neurali profonde sono spesso troppo complesse
I miei consigli per te
Punta sui dati
- Raccogli quanti più dati possibile
- Usa tecniche diverse per prepararli e arricchirli
- Conosci il business
- Crea valore con i dati
La complessità del modello è un’arma a doppio taglio
- Modelli molto complessi possono rendere bene, ma sono “black box”
- Spesso il business non accetta modelli che non capisce
- Possono essere grandi e difficili da portare in produzione
Grazie!
Credit Risk Modeling in Python
