Penutup kursus
Pemodelan Risiko Kredit dengan Python
Michael Crabtree
Data Scientist, Ford Motor Company
Perjalanan Anda... sejauh ini
Menyiapkan data kredit untuk model machine learning
- Penting untuk memahami data
- Memperbaiki data memungkinkan model sederhana berkinerja tinggi
Mengembangkan, menilai, dan memahami regresi logistik serta gradient boosted trees
Menganalisis kinerja model dengan mengubah data
- Memahami dampak finansial dari hasil
- Menerapkan model dengan mempertimbangkan strategi
Teknik pemodelan risiko
Model dan kerangka di kursus ini:
- Discrete-time hazard model (point in time): probabilitas gagal bayar adalah peristiwa pada satu titik waktu
- Kerangka model struktural: model menjelaskan gagal bayar berdasarkan faktor lain
Teknik lain
- Through-the-cycle model (continuous time): kondisi makroekonomi dan faktor lain digunakan, namun risiko dipandang sebagai peristiwa independen
- Kerangka model reduced-form: pendekatan statistik yang mengestimasi probabilitas gagal bayar sebagai peristiwa independen berbasis Poisson
Memilih model
Banyak model machine learning tersedia, namun digunakan regresi logistik dan model pohon
- Model ini sederhana dan mudah dijelaskan
- Kinerjanya pada probabilitas dapat diterima
Banyak sektor keuangan memprioritaskan interpretabilitas model
- Model kompleks atau "black-box" berisiko karena bisnis tidak dapat sepenuhnya menjelaskan keputusannya
- Deep neural networks sering terlalu kompleks
Saran dari saya untuk Anda
Fokus pada data
- Kumpulkan data sebanyak mungkin
- Gunakan berbagai teknik untuk menyiapkan dan memperkaya data
- Pelajari bisnisnya
- Tingkatkan nilai lewat data
Kompleksitas model bisa jadi pedang bermata dua
- Model sangat kompleks bisa berkinerja baik, tetapi dianggap "black-box"
- Sering kali, pengguna bisnis tidak menerima model yang tidak mereka pahami
- Model kompleks bisa sangat besar dan sulit diproduksikan
Terima kasih!
Pemodelan Risiko Kredit dengan Python
