Förstå kreditrisk

Kreditriskmodellering i Python

Michael Crabtree

Data Scientist, Ford Motor Company

Vad är kreditrisk?

Risken att någon som lånat pengar inte betalar tillbaka dem
Beräknad riskkillnad mellan att låna ut pengar och en statsobligation
När någon inte betalar tillbaka ett lån kallas det för fallissemang
Sannolikheten att någon hamnar i fallissemang kallas sannolikhet för fallissemang (PD)

Vad är kreditrisk?

Risken att någon som lånat pengar inte betalar tillbaka dem
Beräknad riskkillnad mellan att låna ut pengar och en statsobligation
När någon inte betalar tillbaka ett lån kallas det för fallissemang
Sannolikheten att någon hamnar i fallissemang kallas sannolikhet för fallissemang (PD)

Betalning	Betalningsdatum	Lånestatus
$100	15 jun	Ej fallissemang
$100	15 jul	Ej fallissemang
$0	15 aug	Fallissemang

Förväntad förlust

Det belopp i dollar som företaget förlorar till följd av ett fallissemang
Tre huvudkomponenter:
- Sannolikhet för fallissemang (PD)
- Exponering vid fallissemang (EAD)
- Förlust vid fallissemang (LGD)

Formel för förväntad förlust:

expected_loss = PD * EAD * LGD

Typer av data som används

Två huvudtyper av data används:

Ansökningsdata
Beteendedata

Ansökan	Beteende
Ränta	Anställningstid
Kreditbetyg	Historiskt fallissemang
Belopp	Inkomst

Datakolumner

Blandning av beteende- och ansökningsdata
Innehåller kolumner som simulerar kreditupplysningsdata

Kolumn	Kolumn
Inkomst	Låneklass
Ålder	Lånebelopp
Boendeform	Ränta
Anställningstid	Lånestatus
Lånesyfte	Historiskt fallissemang
Inkomstandel	Kredithistorikens längd

Utforska med korstabeller

pd.crosstab(cr_loan['person_home_ownership'], cr_loan['loan_status'],
            values=cr_loan['loan_int_rate'], aggfunc='mean').round(2)

Korstabell över boendeform och lånestatus med genomsnittlig ränta

Utforska med diagram

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()

Spridningsdiagram över låneränta och personlig inkomst

Nu kör vi en övning!

Kreditriskmodellering i Python