Уровень одобрения кредитов

Моделирование кредитного риска на Python

Michael Crabtree

Data Scientist, Ford Motor Company

Пороги и статус кредита

Ранее мы задавали порог для диапазона значений prob_default
- Он использовался для изменения предсказанного loan_status кредита

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

Кредит	prob_default	Порог	loan_status
1	0.25	0.4	0
2	0.42	0.4	1
3	0.75	0.4	1

Используйте прогнозы модели для установки более точных порогов
- Их также можно применять для одобрения или отклонения новых кредитов
Для всех новых кредитов мы хотим отклонять вероятные дефолты
- Используем тестовые данные как пример новых кредитов
Уровень одобрения: какой процент новых кредитов принимается, чтобы доля дефолтов в портфеле оставалась низкой
- Одобренные кредиты, оказавшиеся дефолтными, действуют аналогично ложноотрицательным результатам

Гистограмма распределения предсказанных вероятностей

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

0.804

Кредит	`prob_default`	Порог	Предсказанный `loan_status`	Одобрить или отклонить
1	0.65	0.804	0	Одобрить
2	0.85	0.804	1	Отклонить

# 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)

Даже при вычисленном пороге часть одобренных кредитов окажется дефолтными
Это кредиты со значениями prob_default, для которых модель плохо откалибрована

Столбчатая диаграмма одобренных кредитов с выделенной долей плохих

Формула расчёта доли плохих кредитов

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

Моделирование кредитного риска на Python