Name: การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python
Rating: 4.786407766990291 (309 reviews)

รายละเอียดคอร์ส

หากเคยสมัครบัตรเครดิตหรือขอสินเชื่อ คุณคงทราบดีว่าสถาบันการเงินจะตรวจสอบข้อมูลก่อนตัดสินใจเสมอ เพราะการปล่อยกู้มีผลกระทบต่อธุรกิจอย่างมีนัยสำคัญ แล้วพวกเขาตัดสินใจอย่างไร? ในคอร์สนี้ คุณจะได้เรียนรู้วิธีเตรียมข้อมูลใบสมัครสินเชื่อ จากนั้นจะนำ machine learning และกฎทางธุรกิจมาใช้เพื่อลดความเสี่ยงและสร้างความสามารถในการทำกำไร โดยใช้ชุดข้อมูล 2 ชุดที่จำลองจากใบสมัครสินเชื่อจริง พร้อมมุ่งเน้นที่คุณค่าทางธุรกิจ มาเรียนรู้ถึงคุณค่าที่คาดหวังจากการสร้างโมเดลความเสี่ยงด้านเครดิตไปด้วยกัน!

ข้อกำหนดเบื้องต้น

Intermediate Python for Finance

หลักสูตร

โครงร่างคอร์ส

การสำรวจและเตรียมข้อมูลสินเชื่อ

ในบทแรกนี้ เราจะพูดถึงแนวคิดของความเสี่ยงด้านเครดิตและวิธีคำนวณ จากนั้นจะสำรวจชุดข้อมูลจากสถานการณ์จริงด้วย cross table และกราฟ และก่อนนำ machine learning มาใช้ เราจะประมวลผลข้อมูลโดยค้นหาและแก้ไขปัญหาที่พบ

เริ่มบท

การใช้ Logistic Regression เพื่อพยากรณ์การผิดนัดชำระ

เมื่อเตรียมข้อมูลสินเชื่อเสร็จเรียบร้อย เราจะมาทำความเข้าใจโมเดล logistic regression ซึ่งเป็นมาตรฐานในการสร้างโมเดลความเสี่ยง ครอบคลุมทั้งองค์ประกอบของโมเดลและวิธีประเมินประสิทธิภาพ เมื่อได้ผลการพยากรณ์แล้ว เราจะสำรวจผลกระทบทางการเงินจากการนำโมเดลนี้ไปใช้

เริ่มบท

Gradient Boosted Trees ด้วย XGBoost

Decision tree เป็นอีกหนึ่งโมเดลมาตรฐานสำหรับความเสี่ยงด้านเครดิต เราจะก้าวไปไกลกว่า decision tree ด้วยการใช้แพ็กเกจ XGBoost ใน Python เพื่อสร้าง gradient boosted trees หลังจากพัฒนาโมเดลที่ซับซ้อนแล้ว เราจะทดสอบความทนทานของประสิทธิภาพและพูดถึงการเลือกคอลัมน์ในข้อมูลที่ไม่สมดุล

เริ่มบท

การประเมินและนำโมเดลไปใช้งาน

หลังจากพัฒนาและทดสอบโมเดล machine learning ที่ทรงพลัง 2 โมเดล เราจะใช้ตัวชี้วัดประสิทธิภาพหลักมาเปรียบเทียบกัน จากนั้นใช้เทคนิคการเลือกโมเดลขั้นสูงที่ออกแบบมาสำหรับการสร้างโมเดลทางการเงินโดยเฉพาะ เมื่อเลือกโมเดลได้แล้ว เราจะพัฒนากลยุทธ์ทางธุรกิจ ประมาณมูลค่าพอร์ตโฟลิโอ และลดความสูญเสียที่คาดหวัง