Modelagem de Risco de Crédito em Python

Neste primeiro capítulo, vamos discutir o conceito de risco de crédito e definir como ele é calculado. Usando tabelas cruzadas e gráficos, vamos explorar um conjunto de dados do mundo real. Antes de aplicar Machine Learning, vamos processar esses dados identificando e resolvendo problemas.

Com os dados do empréstimo totalmente preparados, vamos discutir o modelo de regressão logística, que é um padrão em modelagem de risco. Vamos entender os componentes desse modelo e como avaliar seu desempenho. Depois de criar previsões, podemos explorar o impacto financeiro de utilizar esse modelo.

Árvores de decisão são outro padrão em modelos de risco de crédito. Vamos além das árvores de decisão usando o pacote XGBoost no Python para criar árvores gradient boosting. Após desenvolver modelos sofisticados, vamos submeter seu desempenho a testes de estresse e discutir a seleção de colunas em dados desbalanceados.

Depois de desenvolver e testar dois modelos poderosos de Machine Learning, usaremos métricas-chave de desempenho para compará-los. Com técnicas avançadas de seleção de modelos, específicas para modelagem financeira, vamos escolher um modelo. Com esse modelo, vamos: desenvolver uma estratégia de negócio, estimar o valor do portfólio e minimizar a perda esperada.