Ders özeti

Python ile Kredi Riski Modellemesi

Michael Crabtree

Data Scientist, Ford Motor Company

Şimdiye kadarki yolculuğunuz

Kredi verilerini makine öğrenimi modelleri için hazırlayın
- Veriyi anlamak kritiktir
- Veriyi iyileştirmek, basit modellerin yüksek performansına izin verir
Lojistik regresyon ve gradient boosted trees geliştirin, puanlayın ve açıklayın
Veriyi değiştirerek model performansını analiz edin
Sonuçların finansal etkisini anlayın
Stratejiyi gözeterek modeli hayata geçirin

Bu dersteki modeller ve çerçeve:
- Ayrık zamanlı hazard modeli (anlık): temerrüt olasılığı anlık bir olaydır
- Yapısal model çerçevesi: model temerrüdü diğer faktörlerle açıklar
Diğer teknikler
- Döngü boyunca model (sürekli zaman): makroekonomik koşullar ve diğer etkiler kullanılır, ancak risk bağımsız bir olay olarak görülür
- Azaltılmış biçimli model çerçevesi: temerrüt olasılığını bağımsız Poisson temelli bir olay olarak tahmin eden istatistiksel yaklaşım

Birçok makine öğrenimi modeli vardır; biz lojistik regresyon ve ağaç tabanlı modeller kullandık
- Bu modeller basit ve açıklanabilirdir
- Olasılıklarda performansları kabul edilebilirdir
Birçok finansal sektör model yorumlanabilirliğini tercih eder
- Karmaşık veya "kara kutu" modeller, kararlar tam açıklanamadığı için risktir
- Derin sinir ağları çoğu zaman fazla karmaşıktır

Veriye odaklanın
- Mümkün olduğunca çok veri toplayın
- Veriyi hazırlamak ve zenginleştirmek için çeşitli teknikler kullanın
- İşletmeyi öğrenin
- Veriyle değer yaratın
Model karmaşıklığı iki ucu keskin bir kılıç olabilir
- Çok karmaşık modeller iyi performans gösterebilir ancak "kara kutu" olarak görülür
- Birçok durumda, iş birimleri anlayamadıkları modeli kabul etmez
- Karmaşık modeller çok büyük olabilir ve üretime almak zordur

Python ile Kredi Riski Modellemesi