Tổng kết khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Michael Crabtree
Data Scientist, Ford Motor Company
Hành trình của bạn... đến nay
Chuẩn bị dữ liệu tín dụng cho mô hình học máy
- Hiểu dữ liệu là then chốt
- Cải thiện dữ liệu giúp mô hình đơn giản đạt hiệu năng cao
Phát triển, chấm điểm, và hiểu hồi quy logistic và cây tăng cường dần (GBT)
Phân tích hiệu năng mô hình bằng cách thay đổi dữ liệu
- Hiểu tác động tài chính của kết quả
- Triển khai mô hình với định hướng chiến lược
Kỹ thuật mô hình hóa rủi ro
Các mô hình và khung trong khóa học:
- Mô hình rủi ro rời rạc theo thời gian (tại thời điểm): xác suất vỡ nợ là sự kiện tại một thời điểm
- Khung mô hình cấu trúc: mô hình giải thích sự kiện vỡ nợ dựa trên các yếu tố khác
Kỹ thuật khác
- Mô hình xuyên chu kỳ (liên tục theo thời gian): dùng điều kiện vĩ mô và yếu tố khác, nhưng rủi ro được xem là sự kiện độc lập
- Khung mô hình dạng giản lược: tiếp cận thống kê ước lượng xác suất vỡ nợ như sự kiện Poisson độc lập
Chọn mô hình
Có nhiều mô hình học máy, nhưng dùng hồi quy logistic và mô hình cây
- Các mô hình này đơn giản, dễ giải thích
- Hiệu năng dự báo xác suất chấp nhận được
Nhiều lĩnh vực tài chính ưu tiên khả năng giải thích
- Mô hình phức tạp hoặc “hộp đen” là rủi ro vì khó giải thích quyết định
- Mạng nơ-ron sâu thường quá phức tạp
Mẹo gửi bạn
Tập trung vào dữ liệu
- Thu thập nhiều dữ liệu nhất có thể
- Dùng nhiều kỹ thuật để chuẩn bị và tăng cường dữ liệu
- Tìm hiểu nghiệp vụ
- Tăng giá trị qua dữ liệu
Độ phức tạp mô hình là con dao hai lưỡi
- Rất phức tạp có thể hiệu năng cao nhưng thành “hộp đen”
- Nhiều trường hợp người dùng kinh doanh sẽ không chấp nhận mô hình khó hiểu
- Mô hình phức tạp có thể rất lớn, khó đưa vào sản xuất
Xin cảm ơn!
Mô hình hóa Rủi ro Tín dụng bằng Python
