Strategi kredit dan kerugian ekspektasian minimum

Pemodelan Risiko Kredit dengan Python

Michael Crabtree

Data Scientist, Ford Motor Company

Memilih tingkat penerimaan

Tingkat penerimaan awal ditetapkan 85%, namun tingkat lain dapat dipilih
Dua cara menguji tingkat berbeda:
- Hitung ambang, bad rate, dan kerugian secara manual
- Buat tabel nilai ini otomatis dan pilih tingkat penerimaan
Tabel semua kemungkinan nilai disebut tabel strategi

Menyiapkan tabel strategi

Siapkan array atau list untuk menyimpan tiap nilai

# 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 = []

Menghitung nilai tabel

Hitung ambang dan bad rate untuk semua tingkat penerimaan

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))

Interpretasi tabel strategi

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

Contoh tabel strategi dan grafik bad rate

Menambahkan pinjaman yang diterima

Jumlah pinjaman yang diterima untuk tiap tingkat penerimaan
- Dapat menggunakan len() atau .count()

Tabel strategi dengan pinjaman yang diterima

Menambahkan rata-rata jumlah pinjaman

Rata-rata loan_amnt dari data test

Tabel strategi dengan rata-rata jumlah pinjaman

Estimasi nilai portofolio

Nilai rata-rata non-default yang diterima dikurangi rata-rata default yang diterima
Asumsikan tiap default rugi sebesar loan_amnt

Tabel strategi dengan estimasi nilai

Total kerugian ekspektasian

Perkiraan kerugian dari default dalam portofolio

Rumus total kerugian ekspektasian

# 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!

Pemodelan Risiko Kredit dengan Python