メインコンテンツへスキップ

ホーム Python

コース

Pythonで学ぶクレジットリスクモデリング

中級スキルレベル

更新日 2026/03

与信申込データを整備し、機械学習とビジネスルールを適用してリスクを低減し、収益性を確保する方法を学びます。

コースを無料で開始

PythonApplied Finance

4時間

15 ビデオ

57 演習

4,850 XP

26,092

修了証明書

何千もの企業の従業員が支持

チームのトレーニングを担当していますか？

Businessをお試しください

コース説明

クレジットカードやローンに申し込んだことがあれば、金融機関が審査の前に情報を精査することをご存じだと思います。貸し出しは企業の収益に大きな影響を及ぼす可能性があるためです。では、どのように判断しているのでしょうか？このコースでは、まずクレジット申込データの前処理方法を学びます。そのうえで、Machine Learning とビジネスルールを適用し、リスクを低減しながら収益性を確保します。実務の申込データを模した2つのデータセットを使い、ビジネス価値に焦点を当てて進めます。ぜひ一緒に、クレジットリスクモデリングにおける期待値の考え方を身につけましょう！

前提条件

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

チャプターを開始

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

チャプターを開始

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

チャプターを開始

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

チャプターを開始

Pythonで学ぶクレジットリスクモデリング

コース完了

修了証明書を取得

この修了書をLinkedInや履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と共にPythonで学ぶクレジットリスクモデリングを始めましょう！

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。