Modelowanie ryzyka kredytowego w Pythonie

Gdy dane kredytowe będą w pełni przygotowane, omówimy model regresji logistycznej, będący standardem w modelowaniu ryzyka. Poznasz jego składowe oraz sposoby oceny jego skuteczności. Po uzyskaniu prognoz przeanalizujemy finansowy wpływ zastosowania tego modelu.

Drzewa decyzyjne to kolejny standard w modelowaniu ryzyka kredytowego. Wyjdziemy jednak poza klasyczne drzewa decyzyjne i użyjemy popularnej biblioteki XGBoost w Pythonie do tworzenia drzew gradientowych. Po zbudowaniu zaawansowanych modeli przetestujemy ich odporność i omówimy dobór kolumn w przypadku niezbalansowanych danych.

Po opracowaniu i przetestowaniu dwóch zaawansowanych modeli uczenia maszynowego porównamy je przy użyciu kluczowych metryk. Dzięki zaawansowanym technikom doboru modeli, stosowanym specjalnie w modelowaniu finansowym, wybierzemy jeden z nich. Na jego podstawie opracujemy strategię biznesową, oszacujemy wartość portfela i zminimalizujemy oczekiwane straty.