Kreditacceptansgrader

Kreditriskmodellering i Python

Michael Crabtree

Data Scientist, Ford Motor Company

Tröskelvärden och lånestatus

Tidigare satte vi ett tröskelvärde för ett intervall av prob_default-värden
- Detta användes för att ändra det förutsagda loan_status för lånet

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

Lån	prob_default	tröskelvärde	loan_status
1	0.25	0.4	0
2	0.42	0.4	1
3	0.75	0.4	1

Använd modellförutsägelser för att sätta bättre tröskelvärden
- Kan även användas för att godkänna eller avslå nya lån
För alla nya lån vill vi neka sannolika fallissemang
- Använd testdata som exempel på nya lån
Acceptansgrad: hur stor andel av nya lån som godkänns för att hålla antalet fallissemang i portföljen lågt
- Godkända lån som ändå fallerar har en liknande påverkan som falska negativa

Histogram över fördelning av förutsagda sannolikheter

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

0.804

Lån	`prob_default`	Tröskelvärde	Förutsagt `loan_status`	Godkänn eller avslå
1	0.65	0.804	0	Godkänn
2	0.85	0.804	1	Avslå

# 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)

Även med ett beräknat tröskelvärde kommer en del godkända lån att fallera
Det gäller lån med prob_default-värden i intervall där modellen inte är väl kalibrerad

Stapeldiagram över godkända lån med andelen dåliga markerad

Formel för felaktig andel

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

Om icke-fallissemang är 0 och fallissemang är 1, ger sum() antalet fallissemang
.count() för en enskild kolumn är detsamma som antalet rader i dataramen

Kreditriskmodellering i Python