Total förväntad förlust
Nu är det dags att beräkna den totala förväntade förlusten utifrån alla dina beslut. Dataramen test_pred_df innehåller sannolikheten för fallissemang för varje lån samt lånets värde. Använd dessa två värden för att beräkna den förväntade förlusten per lån. Sedan kan du summera dessa värden och få fram den totala förväntade förlusten.
I den här övningen antar du att exponeringen är lånets fulla värde och att förlusten vid fallissemang är 100 %. Det innebär att ett fallissemang på ett lån motsvarar en förlust av hela beloppet.
Dataramen test_pred_df har laddats in i arbetsytan.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Skriv ut de fem första raderna i
test_pred_df. - Skapa en ny kolumn
expected_lossför varje lån med hjälp av formeln ovan. - Beräkna den totala förväntade förlusten för hela portföljen, avrundad till två decimaler, och spara den som
tot_exp_loss. - Skriv ut den totala förväntade förlusten.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Print the first five rows of the data frame
print(____.head())
# Calculate the bank's expected loss and assign it to a new column
____[____] = ____[____] * ____[____] * ____[____]
# Calculate the total expected loss to two decimal places
____ = round(np.____(____[____]),2)
# Print the total expected loss
print('Total expected loss: ', '${:,.2f}'.format(____))