Kreditrisikomodellierung in Python

In diesem ersten Kapitel besprechen wir das Konzept des Kreditrisikos und definieren, wie es berechnet wird. Mit Kreuztabellen und Plots erkunden wir einen realen Datensatz. Bevor wir Machine Learning anwenden, bereiten wir die Daten auf, indem wir Probleme finden und lösen.

Mit vollständig aufbereiteten Kreditdaten besprechen wir das Modell der logistischen Regression, einen Standard in der Risikomodellierung. Wir verstehen die Bausteine dieses Modells und wie wir seine Leistung bewerten. Sobald wir Vorhersagen erstellt haben, untersuchen wir die finanziellen Auswirkungen des Einsatzes dieses Modells.

Entscheidungsbäume sind ein weiterer Standard in der Kreditrisikomodellierung. Wir gehen über Entscheidungsbäume hinaus und verwenden das angesagte XGBoost-Paket in Python, um Gradient Boosted Trees zu erstellen. Nach der Entwicklung anspruchsvoller Modelle führen wir Stresstests ihrer Leistung durch und diskutieren die Spaltenauswahl bei unausgewogenen Daten.

Nachdem wir zwei leistungsstarke Machine-Learning-Modelle entwickelt und getestet haben, vergleichen wir sie anhand zentraler Leistungskennzahlen. Mit fortgeschrittenen Modellauswahltechniken speziell für Finanzmodellierung wählen wir ein Modell aus. Mit diesem Modell entwickeln wir eine Geschäftsstrategie, schätzen den Portfoliowert und minimieren den erwarteten Verlust.