Kredietrisicomodellering in Python

Met de leningdata volledig voorbereid bespreken we het model logistische regressie, een standaard in risicomodellering. We behandelen de onderdelen van dit model en hoe je de prestaties beoordeelt. Zodra we voorspellingen hebben gemaakt, onderzoeken we de financiële impact van het gebruik van dit model.

Beslisbomen zijn een andere standaard voor kredietrisicomodellen. We gaan verder dan beslisbomen door het populaire XGBoost-pakket in Python te gebruiken om gradient boosted trees te maken. Na het ontwikkelen van geavanceerde modellen onderwerpen we hun prestaties aan een stresstest en bespreken we kolomselectie bij ongebalanceerde data.

Na het ontwikkelen en testen van twee krachtige Machine Learning-modellen vergelijken we ze met kernprestatie-indicatoren. Met geavanceerde modelselectietechnieken, specifiek voor financiële modellering, kiezen we één model. Met dat model ontwikkelen we een bedrijfsstrategie, schatten we de portefeuilleverwachtingswaarde en minimaliseren we het verwachte verlies.