Credit Risk Modeling in Python

Con i dati dei prestiti completamente preparati, discuteremo il modello di regressione logistica, uno standard nel risk modeling. Capiremo i componenti di questo modello e come valutarne le prestazioni. Una volta generate le previsioni, potremo analizzare l’impatto finanziario dell’utilizzo del modello.

Gli alberi decisionali sono un altro modello standard per il rischio di credito. Andremo oltre gli alberi decisionali usando il pacchetto XGBoost in Python per creare gradient boosted trees. Dopo aver sviluppato modelli sofisticati, sottoporremo a stress test le loro prestazioni e parleremo della selezione delle colonne in dati sbilanciati.

Dopo aver sviluppato e testato due potenti modelli di Machine Learning, useremo metriche chiave di prestazione per confrontarli. Con tecniche avanzate di selezione dei modelli specifiche per la modellazione finanziaria, ne sceglieremo uno. Con quel modello svilupperemo una strategia di business, stimeremo il valore del portafoglio e ridurremo al minimo la perdita attesa.