Afronding van de cursus
Kredietrisicomodellering in Python
Michael Crabtree
Data Scientist, Ford Motor Company
Jouw reis... tot nu toe
Data voor kredietmodellen voorbereiden
- Begrijp de data goed
- Betere data → simpele modellen presteren sterk
Logistische regressies en gradient boosted trees bouwen, scoren en begrijpen
Modelprestatie analyseren door de data te wijzigen
- De financiële impact van resultaten begrijpen
- Het model implementeren met oog voor strategie
Technieken voor risicomodellering
De modellen en het raamwerk in deze cursus:
- Discrete-time hazard model (point-in-time): kans op default is een momentopname
- Structureel modelraamwerk: verklaart default op basis van andere factoren
Andere technieken
- Through-the-cycle model (continuous time): macro-economie en andere effecten worden gebruikt, maar risico wordt als onafhankelijk gezien
- Reduced-form modelraamwerk: statistische aanpak die kans op default schat als een onafhankelijke, Poisson-gebaseerde gebeurtenis
Modellen kiezen
Veel ML-modellen beschikbaar, maar we gebruikten logistische regressie en bomen
- Simpel en uitlegbaar
- Presteren goed voor waarschijnlijkheden
Veel financiële sectoren verkiezen uitlegbaarheid
- Complexe of “black-box”-modellen zijn risicovol omdat beslissingen niet goed uitlegbaar zijn
- Deep neural networks zijn vaak te complex
Tips van mij voor jou
Focus op de data
- Verzamel zoveel mogelijk data
- Gebruik diverse technieken om data te prepareren en verrijken
- Leer de business kennen
- Creëer waarde met data
Modelcomplexiteit is een tweesnijdend zwaard
- Zeer complexe modellen kunnen goed presteren, maar lijken een “black-box”
- Vaak accepteren businessgebruikers geen model dat ze niet begrijpen
- Complexe modellen zijn groot en lastig in productie te brengen
Bedankt!
Kredietrisicomodellering in Python
