Mô hình hóa Rủi ro Tín dụng bằng Python

Khi dữ liệu khoản vay đã được chuẩn bị đầy đủ, chúng ta sẽ thảo luận về mô hình hồi quy logistic, một tiêu chuẩn trong mô hình rủi ro. Chúng ta sẽ hiểu các thành phần của mô hình này cũng như cách chấm điểm hiệu suất của nó. Khi đã tạo ra dự đoán, chúng ta có thể xem xét tác động tài chính của việc sử dụng mô hình này.

Cây quyết định là một mô hình rủi ro tín dụng tiêu chuẩn khác. Chúng ta sẽ đi xa hơn cây quyết định bằng cách sử dụng gói XGBoost thịnh hành trong Python để tạo các cây tăng cường dần (gradient boosted trees). Sau khi phát triển các mô hình tinh vi, chúng ta sẽ kiểm thử sức bền hiệu suất của chúng và thảo luận về chọn cột trong dữ liệu mất cân bằng.

Sau khi phát triển và kiểm thử hai mô hình Machine Learning mạnh mẽ, chúng ta dùng các chỉ số hiệu suất chính để so sánh chúng. Sử dụng các kỹ thuật chọn mô hình nâng cao dành riêng cho mô hình tài chính, chúng ta sẽ chọn một mô hình. Với mô hình đó, chúng ta sẽ: xây dựng chiến lược kinh doanh, ước tính giá trị danh mục, và giảm thiểu tổn thất kỳ vọng.