تصور کنید که شما در حال مدیریت سبد اعتباری یک بانک هستید: هر وام صادر شده شرط بندی در توانایی وام گیرنده در تحقق تعهدات آنها است. اما چگونه می توانید تعیین کنید که کدام وام گیرندگان قابل اعتماد هستند و کدام یک ممکن است با بازپرداخت مبارزه کنند؟ این جایی است که احتمال مدل های پیش فرض (PD) بازی می شود.
مدل های PD ابزارهایی هستند که در بخش بانکی برای ارزیابی احتمال پیش فرض وام گیرنده در یک بازه زمانی خاص مورد استفاده قرار می گیرند. آنها نقش مهمی در مدیریت ریسک و سیاست اعتباری بانک دارند.
در این مقاله ، من توضیح خواهم داد که چگونه بانک ها از مدل های PD برای ارزیابی خطرات اعتباری استفاده می کنند ، رویکردهای کلیدی در ساخت این مدل ها را بیان می کنند و چگونگی استفاده از یادگیری ماشین در توسعه آنها را کشف می کنند.
“پیش فرض” چیست و چرا پیش بینی آن مهم است؟
یک مشتری بانکی (یک فرد) را تصور کنید که وام گرفته است. هر ماه ، آنها ملزم به پرداخت مبلغ ثابت با تاریخ مقرر مشخص شده اند. هنگامی که پرداخت ها به موقع انجام می شود ، وام بازپرداخت می شود و بانک به شکل بهره درآمد کسب می کند. با این حال ، این روند همیشه هموار پیش نمی رود: گاهی اوقات وام گیرندگان پرداخت را از دست می دهند یا کمتر از مبلغ مورد نیاز پرداخت می کنند. چنین مواردی به این موارد گفته می شود بزهکاریبشر اگر چند ماه از آخرین پرداخت جزئی بگذرد ، این به مرحله ورود به مرحله بزهکاری N-Th نامیده می شود ، …