อัตราการอนุมัติสินเชื่อ

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

Michael Crabtree

Data Scientist, Ford Motor Company

Threshold และสถานะสินเชื่อ

ก่อนหน้านี้เราได้กำหนดค่า threshold สำหรับช่วงค่า prob_default
- ใช้เพื่อเปลี่ยนค่า loan_status ที่พยากรณ์ได้

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

Loan	prob_default	threshold	loan_status
1	0.25	0.4	0
2	0.42	0.4	1
3	0.75	0.4	1

ใช้ผลการพยากรณ์ของโมเดลเพื่อกำหนด threshold ที่ดีขึ้น
- ยังสามารถใช้อนุมัติหรือปฏิเสธสินเชื่อใหม่ได้
สำหรับสินเชื่อใหม่ทั้งหมด เราต้องการปฏิเสธรายที่มีแนวโน้มผิดนัด
- ใช้ข้อมูลทดสอบเป็นตัวอย่างของสินเชื่อใหม่
อัตราการอนุมัติ: เปอร์เซ็นต์ของสินเชื่อใหม่ที่ได้รับการอนุมัติ เพื่อให้จำนวนการผิดนัดในพอร์ตโฟลิโอต่ำ
- สินเชื่อที่อนุมัติแล้วแต่เป็นการผิดนัด มีผลกระทบคล้ายกับ false negative

ฮิสโตแกรมแสดงการกระจายของความน่าจะเป็นที่พยากรณ์

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

0.804

Loan	`prob_default`	Threshold	Predicted `loan_status`	Accept or Reject
1	0.65	0.804	0	Accept
2	0.85	0.804	1	Reject

# 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)

แผนภูมิแท่งแสดงสินเชื่อที่อนุมัติพร้อมเน้น bad rate

สูตรคำนวณ bad rate

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

ถ้า non-default คือ 0 และ default คือ 1 แล้ว sum() จะเป็นจำนวนนับของการผิดนัด
.count() ของคอลัมน์เดียวเท่ากับจำนวนแถวทั้งหมดของ data frame

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python