Závěr kurzu
Credit Risk Modeling in Python
Michael Crabtree
Data Scientist, Ford Motor Company
Vaše dosavadní cesta...
Příprava úvěrových dat pro modely strojového učení
- Důležité porozumět datům
- Lepší data umožňují výkonné jednoduché modely
Vývoj, skórování a interpretace logistické regrese a gradientního boostingu
Analýza výkonu modelů změnou dat
- Pochopení finančního dopadu výsledků
- Implementace modelu s ohledem na strategii
Techniky modelování rizik
Modely a rámec v tomto kurzu:
- Diskrétní hazardní model (bodový v čase): pravděpodobnost selhání je časově ohraničená událost
- Strukturální modelový rámec: model vysvětluje selhání na základě jiných faktorů
Další techniky
- Model průběžného cyklu (spojitý čas): využívá makroekonomické podmínky, riziko je vnímáno jako nezávislá událost
- Rámec redukovaných modelů: statistický přístup odhadující pravděpodobnost selhání jako nezávislou událost na bázi Poissonova rozdělení
Výběr modelů
K dispozici je mnoho modelů strojového učení, použity byly logistická regrese a stromové modely
- Tyto modely jsou jednoduché a vysvětlitelné
- Jejich výkon při odhadech pravděpodobností je přijatelný
Mnoho finančních odvětví upřednostňuje interpretovatelnost modelu
- Složité nebo „black-box" modely jsou rizikem, protože firma nedokáže plně vysvětlit svá rozhodnutí
- Hluboké neuronové sítě jsou často příliš složité
Tipy pro vás
Zaměřte se na data
- Shromažďujte co nejvíce dat
- Používejte různé techniky přípravy a obohacení dat
- Seznamte se s podnikáním
- Zvyšujte hodnotu prostřednictvím dat
Složitost modelu může být dvojsečná zbraň
- Velmi složité modely mohou být výkonné, ale jsou považovány za „black-box"
- Firemní uživatelé v mnoha případech nepřijmou model, kterému nerozumí
- Složité modely mohou být velmi rozsáhlé a obtížně nasaditelné do produkce
Děkujeme!
Credit Risk Modeling in Python
