课程总结

Python 信用风险建模

Michael Crabtree

Data Scientist, Ford Motor Company

您的学习之旅…至此

  • 为机器学习准备信贷数据

    • 理解数据至关重要
    • 提升数据可让简单模型表现优异

  • 开发、评分并解读逻辑回归与梯度提升树

  • 通过变更数据来分析模型表现

  • 理解结果的财务影响
  • 在理解策略的前提下实施模型
Python 信用风险建模

风险建模技术

  • 本课程中的模型与框架：

    • 离散时间危害模型（时点）：违约概率为某一时点事件
    • 结构型模型框架：基于其他因素解释违约事件

  • 其他技术

    • 跨周期模型（连续时间）：考虑宏观经济等因素，但将风险视为独立事件
    • 降阶模型框架：以统计方法将违约概率估计为独立的基于泊松的事件
Python 信用风险建模

模型选择

  • 机器学习模型众多，但本课使用逻辑回归与树模型

    • 简单且可解释
    • 概率预测表现可接受

  • 许多金融行业偏好可解释性

    • 复杂或"黑箱"模型存在无法充分解释决策的风险
    • 深度神经网络往往过于复杂
Python 信用风险建模

给您的建议

  • 专注数据

    • 尽可能多地收集数据
    • 用多种方法清洗与增强数据
    • 深入了解业务
    • 以数据创造价值

  • 模型复杂度是一把双刃剑

    • 极其复杂的模型或许效果好，但被视为"黑箱"
    • 业务常不接受无法理解的模型
    • 复杂模型体量大，落地困难
Python 信用风险建模

谢谢！

Python 信用风险建模

Preparing Video For Download...