Przejdź do głównej treści

Strona główna Python

Kurs

Modelowanie ryzyka kredytowego w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 03.2026

Naucz się przygotowywać dane wniosków kredytowych, stosować machine learning i reguły biznesowe, by ograniczać ryzyko i zapewnić rentowność.

Zacznij kurs za darmo

PythonApplied Finance

4 godz.

15 filmów

57 Ćwiczeń

4,850 XP

26,092

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Jeśli kiedykolwiek składałeś wniosek o kartę kredytową lub pożyczkę, wiesz, że instytucje finansowe analizują twoje dane przed podjęciem decyzji. Udzielenie kredytu może mieć poważne konsekwencje finansowe dla firmy. Jak jednak zapada ta decyzja? W tym kursie nauczysz się przygotowywać dane z wniosków kredytowych. Następnie zastosujesz uczenie maszynowe i reguły biznesowe, aby ograniczyć ryzyko i zapewnić rentowność. Będziesz pracować na dwóch zbiorach danych odwzorowujących rzeczywiste wnioski kredytowe, skupiając się na wartości biznesowej. Dołącz do mnie i odkryj, jak modelowanie ryzyka kredytowego przekłada się na realne korzyści!

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

Modelowanie ryzyka kredytowego w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Modelowanie ryzyka kredytowego w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.