Підсумки курсу
Моделювання кредитного ризику в Python
Michael Crabtree
Data Scientist, Ford Motor Company
Ваша подорож... досі
Підготуйте кредитні дані для моделей машинного навчання
- Важливо розуміти дані
- Покращення даних дає високі результати навіть простим моделям
Розробляйте, оцінюйте та інтерпретуйте логістичні регресії й градієнтні бустингові дерева
Аналізуйте якість моделей, змінюючи дані
- Розумійте фінансовий вплив результатів
- Упроваджуйте модель з урахуванням стратегії
Техніки моделювання ризику
Моделі та підходи в цьому курсі:
- Дискретна модель ризику у фіксований момент: імовірність дефолту — подія в певний час
- Структурний підхід: модель пояснює дефолт на основі інших чинників
Інші техніки
- Сквозьциклова модель (безперервний час): враховує макроекономіку та інші ефекти, але ризик розглядається як незалежна подія
- Редукована форма: статистичний підхід, що оцінює імовірність дефолту як незалежну подію на основі процесу Пуассона
Вибір моделей
Моделей машинного навчання багато, але ми використали логістичну регресію та дерева
- Вони прості й пояснювані
- Їхня робота з імовірностями прийнятна
У фінансових секторах часто важлива інтерпретованість
- Складні або «чорні скриньки» — ризик, бо бізнес не може повністю пояснити рішення
- Глибокі нейронні мережі часто надто складні
Поради від мене для вас
Фокусуйтеся на даних
- Збирайте якомога більше даних
- Використовуйте різні техніки для підготовки й збагачення даних
- Вивчайте бізнес
- Підвищуйте цінність через дані
Складність моделі — палиця з двома кінцями
- Дуже складні моделі можуть бути точними, але виглядають як «чорна скринька»
- Часто бізнес не приймає модель, якої не розуміє
- Складні моделі великі й важкі у продакшні
Дякуємо!
Моделювання кредитного ризику в Python
