Wskaźniki akceptacji kredytów

Modelowanie ryzyka kredytowego w Pythonie

Michael Crabtree

Data Scientist, Ford Motor Company

Progi i status pożyczki

Wcześniej wyznaczyliśmy próg dla zakresu wartości prob_default
- Służył on do zmiany przewidywanego loan_status pożyczki

preds_df['loan_status'] = preds_df['prob_default'].apply(lambda x: 1 if x > 0.4 else 0)

Pożyczka	prob_default	próg	loan_status
1	0.25	0.4	0
2	0.42	0.4	1
3	0.75	0.4	1

Predykcje modelu służą do wyznaczania lepszych progów
- Można je również stosować do akceptowania lub odrzucania nowych pożyczek
Dla wszystkich nowych pożyczek należy odrzucać prawdopodobne przypadki niewywiązania się
- Dane testowe służą jako przykład nowych pożyczek
Wskaźnik akceptacji: jaki procent nowych pożyczek jest akceptowany, aby utrzymać niski poziom niewywiązań w portfelu
- Zaakceptowane pożyczki z niewywiązaniem mają podobny wpływ jak fałszywe negatywy

Histogram rozkładu przewidywanych prawdopodobieństw

import numpy as np
# Compute the threshold for 85% acceptance rate
threshold = np.quantile(prob_default, 0.85)

0.804

Pożyczka	`prob_default`	Próg	Przewidywany `loan_status`	Akceptacja/Odrzucenie
1	0.65	0.804	0	Akceptacja
2	0.85	0.804	1	Odrzucenie

# Compute the quantile on the probabilities of default
preds_df['loan_status'] = preds_df['prob_default'].apply(lambda x: 1 if x > 0.804 else 0)

Nawet przy wyznaczonym progu, część zaakceptowanych pożyczek to przypadki niewywiązania się z zobowiązań
Dotyczy to pożyczek z wartościami prob_default w obszarze, gdzie model nie jest dobrze skalibrowany

Wykres słupkowy zaakceptowanych pożyczek z wyróżnionym wskaźnikiem złych kredytów

Wzór na wskaźnik złych kredytów

#Calculate the bad rate
np.sum(accepted_loans['true_loan_status']) / accepted_loans['true_loan_status'].count()

Jeśli brak niewywiązania się = 0, a niewywiązanie się = 1, to sum() to liczba przypadków niewywiązania się
.count() pojedynczej kolumny odpowiada liczbie wierszy w ramce danych

Modelowanie ryzyka kredytowego w Pythonie