Моделирование кредитного риска на Python
Michael Crabtree
Data Scientist, Ford Motor Company
| Платёж | Дата платежа | Статус кредита |
|---|---|---|
| $100 | 15 июн | Без дефолта |
| $100 | 15 июл | Без дефолта |
| $0 | 15 авг | Дефолт |
Формула ожидаемых потерь:
expected_loss = PD * EAD * LGD
Два основных типа используемых данных:
| Данные заявки | Поведенческие данные |
|---|---|
| Процентная ставка | Стаж работы |
| Категория кредита | История дефолтов |
| Сумма кредита | Доход |
| Столбец | Столбец |
|---|---|
| Доход | Категория кредита |
| Возраст | Сумма кредита |
| Форма владения жильём | Процентная ставка |
| Стаж работы | Статус кредита |
| Цель кредита | История дефолтов |
| Доля дохода | Длина кредитной истории |
pd.crosstab(cr_loan['person_home_ownership'], cr_loan['loan_status'],
values=cr_loan['loan_int_rate'], aggfunc='mean').round(2)
plt.scatter(cr_loan['person_income'], cr_loan['loan_int_rate'],c='blue', alpha=0.5)
plt.xlabel("Personal Income")
plt.ylabel("Loan Interest Rate")
plt.show()
Моделирование кредитного риска на Python