Course wrap up
Моделирование кредитного риска на Python
Michael Crabtree
Data Scientist, Ford Motor Company
Ваш путь... до сих пор
Подготовка кредитных данных для моделей машинного обучения
- Важно хорошо понимать данные
- Улучшение данных позволяет строить эффективные простые модели
Разработка, оценка и интерпретация логистической регрессии и деревьев с градиентным бустингом
Анализ производительности моделей при изменении данных
- Оценка финансового влияния результатов
- Внедрение модели с учётом стратегии
Методы моделирования риска
Модели и подходы в этом курсе:
- Дискретная модель выживаемости (точечная оценка): вероятность дефолта рассматривается как событие в конкретный момент времени
- Структурная модель: объясняет событие дефолта через влияние других факторов
Другие техники
- Модель «через цикл» (непрерывное время): учитываются макроэкономические условия, при этом риск рассматривается как независимое событие
- Редуцированная форма: статистический подход, оценивающий вероятность дефолта как независимое событие на основе процесса Пуассона
Выбор моделей
Доступно множество моделей машинного обучения, однако в курсе использовались логистическая регрессия и деревья
- Эти модели просты и интерпретируемы
- Их точность при оценке вероятностей приемлема
Многие финансовые организации отдают предпочтение интерпретируемым моделям
- Сложные «чёрные ящики» несут риск: бизнес не может полностью объяснить принятые решения
- Глубокие нейронные сети зачастую слишком сложны
Советы от меня
Сосредоточьтесь на данных
- Собирайте как можно больше данных
- Применяйте разнообразные техники подготовки и улучшения данных
- Изучайте специфику бизнеса
- Повышайте ценность через данные
Сложность модели — палка о двух концах
- Очень сложные модели могут показывать высокие результаты, но воспринимаются как «чёрный ящик»
- Нередко бизнес-пользователи не принимают модель, которую не могут понять
- Сложные модели бывают громоздкими и трудными в развёртывании
Спасибо!
Моделирование кредитного риска на Python
