在第一章中，我们将讨论信用风险的概念，并界定其计算方式。借助交叉表和可视化图表，我们将探索一个真实数据集。在应用机器学习之前，我们会通过发现并解决问题来处理这些数据。

理解信用风险

探索信贷数据

交叉表与透视表

信用数据中的异常值

用交叉表查找离群值

可视化信用数据中的异常值

贷款数据中的缺失值风险

替换缺失的信用数据

删除缺失数据

缺失数据直觉

贷款数据的探索与准备

在贷款数据充分准备好之后，我们将讨论逻辑回归模型，它是风险建模中的标准方法。我们将理解该模型的组成部分，以及如何评估其性能。一旦生成预测结果，我们就可以分析使用该模型的财务影响。

用于违约概率的逻辑回归

逻辑回归基础

多变量逻辑回归

创建训练集和测试集

预测违约概率

系数的变化

对信贷数据进行独热编码

信用模型性能

违约分类报告

选择报告指标

信用模型的可视化评估

模型区分度与业务影响

阈值与混淆矩阵

阈值如何影响模型表现

阈值选择

违约的逻辑回归

决策树是另一种常见的信用风险模型。我们将更进一步，使用 Python 中流行的 XGBoost 包来构建梯度提升树。开发出更复杂的模型后，我们将对其性能进行压力测试，并讨论在类别不平衡数据中的特征（列）选择。

使用 XGBoost 的梯度提升树

用于违约预测的树模型

梯度提升的投资组合表现

评估梯度提升树

信用风险的列选择

列重要性与违约预测

可视化列重要性

列选择与模型性能

信用模型的交叉验证

交叉验证信用模型

交叉验证测试的局限

交叉验证评分

贷款数据中的类别不平衡

对训练数据进行欠采样

欠采样树的性能

欠采样的直觉

在开发并测试了两种强大的机器学习模型后，我们将使用关键性能指标对它们进行比较。通过专为金融建模设计的高级模型选择技术，我们将选出一个模型。基于该模型，我们将制定业务策略、估算资产组合价值，并最小化期望损失。

模型评估与实施

比较模型报告

用 ROC 曲线进行比较

校准曲线

信用接受率

接受率

可视化接受率分位数

不良率

接受率的影响

授信策略与最小化期望损失

创建策略表

可视化策略

估计价值剖析

总期望损失

课程总结

Raw credit data

Clean credit data (outliers and missing data removed)

Credit data (ready for modeling)

如果您申请过信用卡或贷款，您会知道金融机构会在做出决定前处理您的信息。这是因为向您放贷会对其业务产生重大的财务影响。那么他们如何做出决定？在本课程中，您将学习如何准备信用申请数据。随后，您将应用机器学习和业务规则来降低风险并确保盈利。您将使用两个模拟真实信用申请的数据集，并始终关注业务价值。加入我，一起学习信用风险建模中的期望价值！

Intermediate Python for Finance

学习准备信贷申请数据，应用机器学习和业务规则以降低风险并确保盈利。

Python 信用风险建模

学习如何准备信贷申请数据，应用机器学习和业务规则以降低风险并确保盈利。

用于违约概率的逻辑回归

Create Your Free Account