Strategia kredytowa i minimalna oczekiwana strata

Modelowanie ryzyka kredytowego w Pythonie

Michael Crabtree

Data Scientist, Ford Motor Company

Wybór stóp akceptacji

Pierwsza stopa akceptacji wynosiła 85%, ale można wybrać inne wartości
Dwie opcje testowania różnych stóp:
- Ręczne obliczenie progu, wskaźnika złych kredytów i strat
- Automatyczne tworzenie tabeli tych wartości i wybór stopy akceptacji
Tabela wszystkich możliwych wartości to tabela strategii

Konfigurowanie tabeli strategii

Przygotowanie tablic lub list do przechowywania wartości

# 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 = []

Obliczanie wartości tabeli

Obliczanie progu i wskaźnika złych kredytów dla wszystkich stóp akceptacji

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))

Interpretacja tabeli strategii

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

Przykład tabeli strategii z paskiem wskaźnika złych kredytów

Dodawanie zaakceptowanych kredytów

Liczba zaakceptowanych kredytów dla każdej stopy akceptacji
- Można użyć len() lub .count()

Tabela strategii z zaakceptowanymi kredytami

Dodawanie średniej kwoty kredytu

Średnia loan_amnt z danych zbioru testowego

Tabela strategii ze średnią kwotą kredytu

Szacowanie wartości portfela

Średnia wartość zaakceptowanych kredytów bez niedoborów minus średnia wartość zaakceptowanych niedoborów
Zakłada, że każdy niedobór to strata równa loan_amnt

Tabela strategii z szacowaną wartością

Łączna oczekiwana strata

Oczekiwana strata na niedoborach w portfelu

Wzór na łączną oczekiwaną stratę

# 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']

Czas na ćwiczenia!

Modelowanie ryzyka kredytowego w Pythonie