Kreditstrategi och minsta förväntad förlust

Kreditriskmodellering i Python

Michael Crabtree

Data Scientist, Ford Motor Company

Välja acceptansgrader

Första acceptansgraden sattes till 85 %, men andra grader kan också väljas
Två alternativ för att testa olika grader:
- Beräkna tröskelvärde, andel dåliga lån och förluster manuellt
- Skapa automatiskt en tabell med dessa värden och välj en acceptansgrad
Tabellen med alla möjliga värden kallas en strategitabell

Sätta upp strategitabellen

Skapa arrayer eller listor för att lagra varje värde

# 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 = []

Beräkna tabellvärden

Beräkna tröskelvärde och andel dåliga lån för alla acceptansgrader

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))

Tolka strategitabellen

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

Exempel på strategitabell och stapeldiagram för andel dåliga lån

Lägga till godkända lån

Antalet godkända lån för varje acceptansgrad
- Använd len() eller .count()

Strategitabell med godkända lån

Lägga till genomsnittligt lånebelopp

Genomsnittligt loan_amnt från testdata

Strategitabell med genomsnittligt lånebelopp

Uppskatta portföljvärdet

Genomsnittsvärdet av godkända lån utan fallissemang minus genomsnittsvärdet av godkända fallissemang
Förutsätter att varje fallissemang innebär en förlust av loan_amnt

Strategitabell med beräknat värde

Total förväntad förlust

Hur mycket vi förväntas förlora på fallissemang i vår portfölj

Formel för total förväntad förlust

# 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']

Nu kör vi en övning!

Kreditriskmodellering i Python