Modélisation du risque de crédit en Python

Avec les données de prêt entièrement préparées, nous aborderons la régression logistique, qui fait référence dans la modélisation du risque. Nous détaillerons les composantes de ce modèle ainsi que les méthodes pour évaluer ses performances. Une fois les prédictions créées, nous étudierons l’impact financier de l’utilisation de ce modèle.

Les arbres de décision sont un autre standard en risque de crédit. Nous irons au‑delà en utilisant le package XGBoost en Python pour construire des arbres boostés par gradient. Après avoir développé des modèles avancés, nous testerons leur robustesse et discuterons de la sélection de variables dans des données déséquilibrées.

Après avoir développé et testé deux puissants modèles de Machine Learning, nous les comparerons à l’aide d’indicateurs clés de performance. En recourant à des techniques avancées de sélection de modèles spécifiques à la finance, nous en retiendrons un. Avec ce modèle, nous élaborerons une stratégie métier, estimerons la valeur du portefeuille et minimiserons la perte attendue.