Kursavslutning

Kreditriskmodellering i Python

Michael Crabtree

Data Scientist, Ford Motor Company

Din resa ... hittills

Förbered kreditdata för maskininlärningsmodeller
- Viktigt att förstå datan
- Bättre data möjliggör högpresterande enkla modeller
Utveckla, poängsätt och tolka logistiska regressioner och gradientförstärkta träd
Analysera modellernas prestanda genom att ändra datan
Förstå den ekonomiska innebörden av resultaten
Implementera modellen med en tydlig strategi

Modellerna och ramverket i den här kursen:
- Diskret-tidsbaserad riskmodell (punktvärde): sannolikheten för fallissemang är en händelse vid en specifik tidpunkt
- Strukturell modellansats: modellen förklarar fallissemanget utifrån andra faktorer
Andra tekniker
- Genomcykelmodell (kontinuerlig tid): makroekonomiska förhållanden och andra effekter används, men risken betraktas som en oberoende händelse
- Reducerad-form-ansats: en statistisk metod som skattar sannolikheten för fallissemang som en oberoende Poisson-baserad händelse

Många maskininlärningsmodeller finns tillgängliga, men logistisk regression och trädmodeller användes
- Dessa modeller är enkla och tolkningsbara
- Deras prestanda på sannolikheter är acceptabel
Många finansiella sektorer föredrar modeller som går att förklara
- Komplexa eller "svarta lådan"-modeller innebär en risk eftersom verksamheten inte fullt ut kan förklara sina beslut
- Djupa neurala nätverk är ofta alltför komplexa

Fokusera på datan
- Samla in så mycket data som möjligt
- Använd många olika tekniker för att förbereda och berika datan
- Lär känna verksamheten
- Öka värdet genom data
Modellkomplexitet kan vara ett tveeggat svärd
- Riktigt komplexa modeller kan prestera bra, men betraktas som en "svart låda"
- I många fall accepterar inte verksamheten en modell de inte förstår
- Komplexa modeller kan vara mycket stora och svåra att driftsätta

Kreditriskmodellering i Python