Pythonで学ぶクレジットリスクモデリング

ローンデータの準備が整ったら、リスクモデリングの標準手法であるロジスティック回帰について学びます。モデルの構成要素と性能の評価方法を理解します。予測を作成した後は、このモデルを活用した場合の財務インパクトも検討します。

決定木もクレジットリスクにおける標準的なモデルです。ここでは一歩進めて、Python の人気パッケージ XGBoost を使って勾配ブースティング木を作成します。高度なモデルを構築したら、ストレステストで性能を確認し、不均衡データにおける特徴量選択について議論します。

2つの強力な Machine Learning モデルを構築・検証したら、主要な評価指標で比較します。金融モデリングに特化した高度なモデル選択手法を用いて、最適なモデルを選定します。そのモデルを使って、ビジネス戦略の立案、ポートフォリオ価値の推定、期待損失の最小化まで行います。