Weiter zum Inhalt

Startseite Python

Kurs

Kreditrisikomodellierung in Python

MittelSchwierigkeitsgrad

Aktualisiert 03/2026

Dieser Kurs zeigt, wie du Kreditantragsdaten aufbereitest und mit ML sowie Geschäftsregeln Risiken senkst und die Profitabilität sicherst.

Kurs kostenlos starten

PythonApplied Finance

4 Std.

15 Videos

57 Übungen

4,850 XP

26,061

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Wenn du schon einmal eine Kreditkarte oder einen Kredit beantragt hast, weißt du, dass Finanzunternehmen deine Angaben prüfen, bevor sie entscheiden. Das liegt daran, dass dir einen Kredit zu geben erhebliche finanzielle Auswirkungen auf ihr Geschäft haben kann. Aber wie treffen sie diese Entscheidung? In diesem Kurs lernst du, Daten aus Kreditanträgen aufzubereiten. Danach wendest du Machine Learning und Geschäftsregeln an, um Risiken zu senken und die Profitabilität sicherzustellen. Du arbeitest mit zwei Datensätzen, die echte Kreditanträge nachbilden und dabei den Geschäftsnutzen in den Mittelpunkt stellen. Mach mit und lerne den Erwartungswert in der Kreditrisikomodellierung kennen!

Voraussetzungen

Intermediate Python for Finance

1

Exploring and Preparing Loan Data

In this first chapter, we will discuss the concept of credit risk and define how it is calculated. Using cross tables and plots, we will explore a real-world data set. Before applying machine learning, we will process this data by finding and resolving problems.

Understanding credit risk

Explore the credit data

Crosstab and pivot tables

Outliers in credit data

Finding outliers with cross tables

Visualizing credit outliers

Risk with missing data in loan data

Replacing missing credit data

Removing missing data

Missing data intuition

Kapitel starten

2

Logistic Regression for Defaults

With the loan data fully prepared, we will discuss the logistic regression model which is a standard in risk modeling. We will understand the components of this model as well as how to score its performance. Once we've created predictions, we can explore the financial impact of utilizing this model.

Logistic regression for probability of default

Logistic regression basics

Multivariate logistic regression

Creating training and test sets

Predicting the probability of default

Changing coefficients

One-hot encoding credit data

Predicting probability of default

Credit model performance

Default classification reporting

Selecting report metrics

Visually scoring credit models

Model discrimination and impact

Thresholds and confusion matrices

How thresholds affect performance

Threshold selection

Kapitel starten

3

Gradient Boosted Trees Using XGBoost

Decision trees are another standard credit risk model. We will go beyond decision trees by using the trendy XGBoost package in Python to create gradient boosted trees. After developing sophisticated models, we will stress test their performance and discuss column selection in unbalanced data.

Gradient boosted trees with XGBoost

Trees for defaults

Gradient boosted portfolio performance

Assessing gradient boosted trees

Column selection for credit risk

Column importance and default prediction

Visualizing column importance

Column selection and model performance

Cross validation for credit models

Cross validating credit models

Limits to cross-validation testing

Cross-validation scoring

Class imbalance in loan data

Undersampling training data

Undersampled tree performance

Undersampling intuition

Kapitel starten

4

Model Evaluation and Implementation

After developing and testing two powerful machine learning models, we use key performance metrics to compare them. Using advanced model selection techniques specifically for financial modeling, we will select one model. With that model, we will: develop a business strategy, estimate portfolio value, and minimize expected loss.

Model evaluation and implementation

Comparing model reports

Comparing with ROCs

Calibration curves

Credit acceptance rates

Acceptance rates

Visualizing quantiles of acceptance

Acceptance rate impact

Credit strategy and minimum expected loss

Making the strategy table

Visualizing the strategy

Estimated value profiling

Total expected loss

Course wrap up

Kapitel starten

Kreditrisikomodellierung in Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Kreditrisikomodellierung in Python heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.