課程總結

以 Python 進行信用風險建模

Michael Crabtree

Data Scientist, Ford Motor Company

到目前為止的旅程

  • 為機器學習模型準備信貸資料

    • 了解資料很重要
    • 改善資料可讓簡單模型也有高表現

  • 建立、評分並解讀羅吉斯回歸與梯度提升樹

  • 透過調整資料分析模型效能

  • 了解結果的財務影響
  • 在理解策略的前提下導入模型
以 Python 進行信用風險建模

風險建模技術

  • 本課程的模型與架構：

    • 離散時間危害模型（即時）：違約機率是即時事件
    • 結構式模型架構：模型依其他因子解釋違約事件

  • 其他技術

    • 穿越景氣循環模型（連續時間）：使用總體經濟與其他效應，但風險視為獨立事件
    • 簡化式模型架構：以統計方法將違約機率視為獨立的 Poisson 事件來估計
以 Python 進行信用風險建模

模型選擇

  • 機器學習模型很多，但我們使用羅吉斯回歸與樹模型

    • 這些模型簡單且可解釋
    • 在機率預測上的表現可接受

  • 許多金融業偏好模型可解釋性

    • 複雜或「黑箱」模型有風險，因為業務無法完整說明其決策
    • 深度神經網路往往過於複雜
以 Python 進行信用風險建模

給你的小叮嚀

  • 專注在資料

    • 盡可能蒐集更多資料
    • 使用多種技術來準備並強化資料
    • 了解業務情境
    • 以資料創造價值

  • 模型複雜度是一把雙面刃

    • 非常複雜的模型表現或許不錯，但常被視為「黑箱」
    • 在許多情況下，業務使用者不會接受看不懂的模型
    • 複雜模型可能龐大且難以上線
以 Python 進行信用風險建模

謝謝你！

以 Python 進行信用風險建模

Preparing Video For Download...