สรุปคอร์ส
การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python
Michael Crabtree
Data Scientist, Ford Motor Company
สิ่งที่ได้เรียนรู้มาจนถึงตอนนี้
เตรียมข้อมูลสินเชื่อสำหรับโมเดล machine learning
- การทำความเข้าใจข้อมูลเป็นสิ่งสำคัญ
- การปรับปรุงข้อมูลช่วยให้โมเดลที่เรียบง่ายทำงานได้ดีขึ้น
พัฒนา ประเมิน และทำความเข้าใจ logistic regression และ gradient boosted trees
วิเคราะห์ประสิทธิภาพของโมเดลโดยปรับเปลี่ยนข้อมูล
- ทำความเข้าใจผลกระทบทางการเงินของผลลัพธ์
- นำโมเดลไปใช้งานด้วยความเข้าใจเรื่องกลยุทธ์
เทคนิคการสร้างโมเดลความเสี่ยง
โมเดลและกรอบแนวคิดในคอร์สนี้:
- Discrete-time hazard model (point in time): ความน่าจะเป็นของการผิดนัดชำระหนี้เป็นเหตุการณ์ที่เกิด ณ จุดเวลาหนึ่ง
- Structural model framework: โมเดลอธิบายเหตุการณ์ผิดนัดชำระโดยอิงจากปัจจัยอื่น
เทคนิคอื่น ๆ
- Through-the-cycle model (continuous time): ใช้สภาวะเศรษฐกิจมหภาคและปัจจัยอื่น แต่มองความเสี่ยงเป็นเหตุการณ์อิสระ
- Reduced-form model framework: แนวทางทางสถิติที่ประมาณความน่าจะเป็นของการผิดนัดชำระในรูปแบบเหตุการณ์ Poisson อิสระ
การเลือกโมเดล
มีโมเดล machine learning ให้เลือกมากมาย แต่คอร์สนี้ใช้ logistic regression และ tree models
- โมเดลเหล่านี้เรียบง่ายและอธิบายได้
- ประสิทธิภาพด้านการประมาณความน่าจะเป็นอยู่ในระดับที่ยอมรับได้
ภาคการเงินหลายแห่งให้ความสำคัญกับความสามารถในการตีความโมเดล
- โมเดลแบบ "black-box" ถือเป็นความเสี่ยง เพราะองค์กรไม่สามารถอธิบายการตัดสินใจได้อย่างครบถ้วน
- Deep neural networks มักมีความซับซ้อนสูงเกินไป
คำแนะนำจากผู้สอน
ให้ความสำคัญกับข้อมูล
- รวบรวมข้อมูลให้มากที่สุดเท่าที่ทำได้
- ใช้เทคนิคหลากหลายในการเตรียมและเสริมคุณภาพข้อมูล
- ทำความเข้าใจกับธุรกิจ
- เพิ่มมูลค่าผ่านข้อมูล
ความซับซ้อนของโมเดลเป็นดาบสองคม
- โมเดลที่ซับซ้อนมากอาจทำงานได้ดี แต่ถูกมองว่าเป็น "black-box"
- ในหลายกรณี ผู้ใช้งานในองค์กรจะไม่ยอมรับโมเดลที่ตัวเองไม่เข้าใจ
- โมเดลที่ซับซ้อนอาจมีขนาดใหญ่และนำไปใช้งานจริงได้ยาก
ขอบคุณ!
การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python
