ОПИСАНИЕ КУРСА
Рейтинговое моделирование
и оценка ожидаемых потерь
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.
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.
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
Владение Python на базовом уровне и знание основ машинного обучения.
ОПИСАНИЕ ПРОГРАММЫ КУРСА ПО ДНЯМ
День 1
Ожидаемые потери
(Expected Losses)
Ожидаемые потери
(Expected Losses)
1. Риск-менеджмент и классификация рисков:
3. Кредитный риск в Банке и других индустриях:
- Идентификация риска
- Определение разных типов
- Оценка риска
3. Кредитный риск в Банке и других индустриях:
- Вид процесса
- Основные универсальные задачи
- Точки приложения ML
- Ожидания заказчиков
- Фреймворк проекта
- Способы управления проектом
- Артефакты проекта на каждом этапе проекта
День 2
Требования к данным, ML, основные драйверы
Требования к данным, ML, основные драйверы
1. Хранение и сбор данных для моделирования.
3. Основные поведенческие агрегаты и драйверы
4. Макросегмент
5. Стоп-факторы
6. Подходы к профилированию данных
- Формирование целевого события:
- Определение дефолта и модельного дефолта;
- Механика и причины дефолта, выздоровление;
3. Основные поведенческие агрегаты и драйверы
4. Макросегмент
5. Стоп-факторы
6. Подходы к профилированию данных
День 3
Фреймворк по моделированию
Фреймворк по моделированию
1. Рейтинговое моделирование
2. Структура фреймворка и пререквизиты
3. Преобразование атрибутов
4. Однофакторный анализ
2. Структура фреймворка и пререквизиты
3. Преобразование атрибутов
4. Однофакторный анализ
- Индекс Джини
- Интервальная оценка
- Проверка логики
- Проверка стабильности
- Построение модели
- Отбор признаков для модели
- Требования к итоговому списку атрибутов модели
- Построение скоринговой карты
День 4
Калибровка и первичная валидация модели
Калибровка и первичная валидация модели
1. Бизнес постановка проблемы калибровки
2. Математическая постановка
2. Математическая постановка
- Математическая формулировка
- Бизнес интуиция
- Калибровка Платта
- Изотоническая регрессия
- Калибровка Байеса
- Диаграммы надежности
- Биномиальный тест
- Численные оценки на выборке для калибровки
- 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
Особенности моделирования компонент EL
1. Оценка резервов банка
2. Моделирование LGD:
2. Моделирование LGD:
- Необходимые данные и вычисление LGD
- Интегральная оценка с помощью треугольников
- Индивидуальные оценки
- Консервативные оценки
- Индивидуальные оценки
A²NCED
Запишитесь на курсы A2NCED
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь
c политикой конфиденциальности
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