Ничего не найдено

Моделирование кредитных рисков в Python

Если вы когда-либо подавали заявку на получение кредитной карты или займа, вы знаете, что финансовые компании проверяют информацию о ваших данных, прежде чем принять решение. Это связано с тем, что выдача кредита может иметь серьезные финансовые последствия для бизнеса. Но как компании принимают решения?

Михаил Омельченко
Преподаватель

Михаил Омельченко

Программист с многолетним опытом. Пишу на Python, Javascript, Typescript и руковожу командами разработчиков. Основатель youtube канал Django School. Стал ментором для десятков учеников и разработал платформу colabteam.dev

0часов
15видео
42упражнения
4950опыта
Описание курсаВ этом курсе вы узнаете, как подготавливают данные для кредитных заявок. После этого вы начнете применять машинное обучение и бизнес-правила для снижения риска и обеспечения прибыльности. Вы будете использовать два набора данных, которые имитируют реальные кредитные заявки, уделяя при этом особое внимание ценности для бизнеса. Присоединяйтесь и узнайте о ценности моделирования кредитных рисков!
1.  Изучение и подготовка данных по кредиту
В первой главе мы обсудим концепцию кредитного риска и определим, как он рассчитывается. Используя перекрестные таблицы и графики, мы изучим набор реальных данных. Прежде чем применять машинное обучение, мы обработаем эти данные, выявив и решив проблемы.

2.  Логистическая регрессия для дефолтов
Когда данные по кредитам полностью подготовлены, мы обсудим модель логистической регрессии, которая является стандартом в моделировании рисков. Мы разберем компоненты этой модели, а также узнаем, как оценить ее эффективность. После создания прогнозов мы сможем изучить финансовые результаты использования этой модели.

3.  XGBoost: Gradient Boosted Tree
Деревья принятия решений – еще одна стандартная модель кредитного риска. Мы выйдем за рамки деревьев решений, используя популярный пакет XGBoost в Python для создания деревьев с градиентным бустингом. После разработки сложных моделей мы проведем стресс-тестирование их производительности и рассмотрим выбор столбцов при несбалансированных данных.

4.  Оценка и внедрение модели
После разработки и тестирования двух мощных моделей машинного обучения для их сравнения будут использованы ключевые показатели эффективности. С помощью передовых методов отбора моделей, предназначенных для финансового моделирования, мы выберем только одну. С помощью нее мы разработаем бизнес-стратегию, оценим стоимость портфеля и минимизируем ожидаемые потери.

ООО «Дипскиллс»
г. Москва, ул. Измайловский Вал, д. 2
© DeepSkills, 2023