ОПИСАНИЕ КУРСА

Рейтинговое моделирование
и оценка ожидаемых потерь

О чем пойдет речь?
В этом курсе мы расскажем о методологии моделирования и бизнес-ориентированном взгляде на решение задач в кредитных рисках.

Опишем универсальный подход к построению моделей машинного обучения, рассмотрим примеры бизнес-особенностей, которые влияют на построение модели и дальнейшее использование.
А еще — поделимся профессиональными секретами эффективного решения этих задач средствами data science.

На кого рассчитан курс?
Data scientists, которые хотят развиваться и стать Senior Data scientists или team leads, Старшие DS или Team leads, которые хотят расширить область своих компетенций в сторону кредитных рисков
Каков входной порог?
Владение Python на базовом уровне и знание основ машинного обучения.

ОПИСАНИЕ ПРОГРАММЫ КУРСА ПО ДНЯМ

День 1
Ожидаемые потери
(Expected Losses)
1. Риск-менеджмент и классификация рисков: 
  • Идентификация риска
  •  Определение разных типов
  •  Оценка риска
2. Регуляторные требования
3. Кредитный риск в Банке и других индустриях:
  • Вид процесса
  • Основные универсальные задачи
  • Точки приложения ML
4. Проект:
  • Ожидания заказчиков 
  • Фреймворк проекта
  • Способы управления проектом
  • Артефакты проекта на каждом этапе проекта
День 2
Требования к данным, ML, основные драйверы
1. Хранение и сбор данных для моделирования.
  • Формирование целевого события:
  • Определение дефолта и модельного дефолта;
  • Механика и причины дефолта, выздоровление;
2. Особенности для сбора дефолтов
3. Основные поведенческие агрегаты и драйверы
4. Макросегмент
5. Стоп-факторы 
6. Подходы к профилированию данных
День 3
Фреймворк по моделированию
1. Рейтинговое моделирование
2. Структура фреймворка и пререквизиты
3. Преобразование атрибутов
4. Однофакторный анализ
  • Индекс Джини
  • Интервальная оценка
  • Проверка логики
  • Проверка стабильности
5. Многофакторный анализ
  • Построение модели
  • Отбор признаков для модели
  • Требования к итоговому списку атрибутов модели
  • Построение скоринговой карты
День 4
Калибровка и первичная валидация модели
1. Бизнес постановка проблемы калибровки
2. Математическая постановка
  • Математическая формулировка
  • Бизнес интуиция
3. Алгоритмы калибровки
  • Калибровка Платта
  • Изотоническая регрессия
  • Калибровка Байеса
4. Методы оценки качества калибровки
  • Диаграммы надежности
  • Биномиальный тест
  • Численные оценки на выборке для калибровки
5. Реальные задачи
  • Корректировка среднего уровня спрогнозированного целевого события.
  • Выделение сегмента из выборки для уже построенной модели.
  • Определение уровня целевого события для сегмента без целевого события
День 5
Особенности моделирования компонент EL
1. Оценка резервов банка 
2. Моделирование LGD:
  • Необходимые данные и вычисление LGD
  • Интегральная оценка с помощью треугольников
  • Индивидуальные оценки
3. Моделирование EAD
  • Консервативные оценки
  • Индивидуальные оценки
A²NCED
Запишитесь на курсы A2NCED
Email
Имя и фамилия
Телефон
Какой курс вам интересен?
Я представляю
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь
c политикой конфиденциальности

Узнавайте об обновлениях
и новых курсах первыми!

Подписывайтесь на наше коммьюнити NoML (Not only Machine Learning), где мы публикуем все новости, общаемся и делимся мнениями об индустрии