コースのまとめ

Pythonで学ぶクレジットリスクモデリング

Michael Crabtree

Data Scientist, Ford Motor Company

ここまでの学習内容

  • 機械学習用にクレジットデータを準備する

    • データ理解が重要
    • データを改善すれば、単純なモデルでも高性能にできる

  • ロジスティック回帰と勾配ブースティング木を構築・スコアリング・解釈する

  • データを変えてモデル性能を分析する

  • 結果の財務インパクトを理解する
  • 戦略を踏まえてモデルを実装する
Pythonで学ぶクレジットリスクモデリング

リスクモデリング手法

  • 本コースのモデルと枠組み:

    • 離散時間ハザードモデル（時点ベース）：デフォルト確率は時点ごとの事象
    • 構造型モデルの枠組み：他要因に基づきデフォルト事象を説明

  • その他の手法

    • スルー・ザ・サイクルモデル（連続時間）：マクロ環境などを用いるが、リスクは独立事象とみなす
    • 簡約型モデルの枠組み：デフォルト確率を独立なポアソン事象として推定する統計的アプローチ
Pythonで学ぶクレジットリスクモデリング

モデル選定

  • 多くの機械学習モデルがあるが、本コースではロジスティック回帰と決定木系を使用

    • これらはシンプルで説明可能
    • 確率推定の性能も許容水準

  • 多くの金融分野でモデルの解釈性が重視される

    • 複雑な「ブラックボックス」モデルは意思決定を十分説明できずリスク
    • 深層学習はしばしば複雑すぎる
Pythonで学ぶクレジットリスクモデリング

講師からのヒント

  • データに注力する

    • 可能な限り多く収集
    • 多様な手法で前処理・強化
    • ビジネスを理解する
    • データで価値を高める

  • 複雑さは諸刃の剣

    • 非常に複雑なモデルは高性能でも「ブラックボックス」と見なされがち
    • ビジネスは理解できないモデルを受け入れない場合が多い
    • 複雑なモデルは巨大化し本番導入が難しい
Pythonで学ぶクレジットリスクモデリング

ありがとうございました！

Pythonで学ぶクレジットリスクモデリング

Preparing Video For Download...