Кредитная стратегия и минимальные ожидаемые потери

Моделирование кредитного риска на Python

Michael Crabtree

Data Scientist, Ford Motor Company

Выбор уровней одобрения

Первоначально уровень одобрения установлен на 85%, но можно выбрать другие значения
Два способа проверить разные уровни:
- Рассчитать порог, долю плохих кредитов и потери вручную
- Автоматически создать таблицу значений и выбрать уровень одобрения
Таблица всех возможных значений называется стратегической таблицей

Подготовка стратегической таблицы

Создайте массивы или списки для хранения значений

# 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 = []

Вычисление значений таблицы

Вычислите порог и долю плохих кредитов для всех уровней одобрения

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))

Интерпретация стратегической таблицы

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

Пример стратегической таблицы и столбчатой диаграммы доли плохих кредитов

Добавление одобренных кредитов

Количество одобренных кредитов для каждого уровня одобрения
- Можно использовать len() или .count()

Стратегическая таблица с одобренными кредитами

Добавление средней суммы кредита

Среднее значение loan_amnt по тестовой выборке

Стратегическая таблица со средней суммой кредита

Оценка стоимости портфеля

Средняя стоимость одобренных кредитов без дефолта минус средняя стоимость одобренных дефолтов
Предполагается, что каждый дефолт равен потере суммы loan_amnt

Стратегическая таблица с оценочной стоимостью

Общие ожидаемые потери

Ожидаемые потери по дефолтам в портфеле

Формула расчёта общих ожидаемых потерь

# 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']

Давайте потренируемся!

Моделирование кредитного риска на Python