Podsumowanie kursu

Modelowanie ryzyka kredytowego w Pythonie

Michael Crabtree

Data Scientist, Ford Motor Company

Dotychczasowa ścieżka

Przygotowanie danych kredytowych do modeli uczenia maszynowego
- Ważne jest zrozumienie danych
- Poprawa danych umożliwia wysoką wydajność prostych modeli
Tworzenie, ocenianie i interpretacja regresji logistycznej oraz drzew gradientowych
Analiza wydajności modeli poprzez modyfikację danych
Zrozumienie finansowych skutków wyników
Wdrożenie modelu z uwzględnieniem strategii

Modele i podejścia stosowane w tym kursie:
- Model hazardu dyskretnego czasu (punkt w czasie): prawdopodobieństwo niewykonania zobowiązania jako zdarzenie punktowe
- Podejście strukturalne: model wyjaśnia zdarzenie niewykonania zobowiązania na podstawie innych czynników
Inne techniki
- Model ciągłego czasu (through-the-cycle): uwzględnia warunki makroekonomiczne, ryzyko traktowane jako zdarzenie niezależne
- Podejście zredukowanej formy: statystyczna metoda szacowania prawdopodobieństwa niewykonania zobowiązania jako niezależnego zdarzenia opartego na procesie Poissona

Dostępnych jest wiele modeli uczenia maszynowego, jednak zastosowano regresję logistyczną i modele drzewiastee
- Modele te są proste i interpretowalne
- Ich skuteczność w szacowaniu prawdopodobieństw jest zadowalająca
Wiele sektorów finansowych preferuje interpretowalność modeli
- Złożone modele typu „czarna skrzynka" są ryzykowne, gdyż firma nie może w pełni wyjaśnić swoich decyzji
- Głębokie sieci neuronowe są często zbyt skomplikowane

Skup się na danych
- Gromadź jak najwięcej danych
- Stosuj różnorodne techniki przygotowania i wzbogacania danych
- Poznaj specyfikę biznesu
- Zwiększaj wartość poprzez dane
Złożoność modelu może być mieczem obosiecznym
- Bardzo złożone modele mogą dobrze działać, ale są postrzegane jako „czarna skrzynka"
- Użytkownicy biznesowi często nie akceptują modeli, których nie rozumieją
- Złożone modele mogą być bardzo duże i trudne do wdrożenia produkcyjnego

Modelowanie ryzyka kredytowego w Pythonie