Kredietstrategie en minimale verwachte verlies

Kredietrisicomodellering in Python

Michael Crabtree

Data Scientist, Ford Motor Company

Acceptatiegraad kiezen

Eerste acceptatiegraad was 85%, maar andere graden kan je ook kiezen
Twee opties om verschillende graden te testen:
- Drempel, bad rate en verliezen handmatig berekenen
- Automatisch een tabel met deze waarden maken en een acceptatiegraad kiezen
De tabel met alle mogelijke waarden heet een strategietabel

Strategietabel opzetten

Arrays of lijsten klaarzetten om elke waarde op te slaan

# 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 = []

Tabelwaarden berekenen

Bereken drempel en bad rate voor alle acceptatiegraden

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))

Strategietabel interpreteren

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

Voorbeeld van strategietabel en bad-rate-balk

Geaccepteerde leningen toevoegen

Aantal geaccepteerde leningen per acceptatiegraad
- Gebruik len() of .count()

Strategietabel met geaccepteerde leningen

Gemiddeld leenbedrag toevoegen

Gemiddelde loan_amnt uit de testset

Strategietabel met gemiddeld leenbedrag

Portefeuilleverwachting schatten

Gemiddelde waarde van geaccepteerde non-defaults min gemiddelde waarde van geaccepteerde defaults
Veronderstelt dat elke default verlies is van de loan_amnt

Strategietabel met geschatte waarde

Totale verwachte verlies

Hoeveel verlies we verwachten op defaults in de portefeuille

Formule voor totale verwachte verlies

# 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']

Laten we oefenen!

Kredietrisicomodellering in Python