Tematska celina 1. Istraživanje i priprema podataka o kreditima
U ovoj prvoj celini, razmotrićemo koncept kreditnog rizika i definisati kako se on izračunava. Koristeći unakrsne tabele i grafikone, istražićemo skup podataka iz stvarnog sveta. Pre nego što primenimo mašinsko učenje, obradićemo ove podatke pronalaženjem i rešavanjem problema.
Lekcija 1. Razumevanje kreditnog rizika
aktivnost 1: Istražite kreditne podatke
aktivnost 2: Unakrsne i pivot tabele
Lekcija 2. Outliers u podacima o kreditima
aktivnost 1: Pronalaženje outliers-a pomoću unakrsnih tabela
aktivnost 2: Vizuelizacija kreditnih outliers-a
Lekcija 3. Rizik od nedostajućih podataka u podacima o kreditu
aktivnost 1: Zamena nedostajućih kreditnih podataka
aktivnost 2: Uklanjanje nedostajućih podataka
aktivnost 3: Intuicija nedostajućih podataka
Tematska celina 2. Logistička regresija
Kada su podaci o kreditu potpuno pripremljeni, razgovaraćemo o modelu logističke regresije koji je standard u modeliranju rizika. Razumećemo komponente ovog modela, kao i kako da ocenimo njegove performanse. Kada kreiramo predviđanja, možemo istražiti finansijski uticaj korišćenja ovog modela.
Lekcija 1. Logistička regresija za verovatnoću neizvršenja obaveza
aktivnost 1: Osnove logističke regresije
aktivnost 2: Multivarijaciona logistička regresija
aktivnost 3: Kreiranje skupova za obuku i testiranje
Lekcija 2. Predviđanje verovatnoće neizvršenja obaveza
aktivnost 1: Promena koeficijenata
aktivnost 2: jednokratno kodiranje kreditnih podataka
aktivnost 3: Predviđanje verovatnoće neizvršenja obaveza
Lekcija 3. Performanse kreditnog modela
aktivnost 1: Podrazumevano izveštavanje o klasifikaciji
aktivnost 2: Izbor metrika izveštaja
aktivnost 3: Vizuelno bodovanje kreditnih modela
Lekcija 4. Model diskriminacije i uticaja
aktivnost 1: Granične vrednosti i matrice konfuzije
aktivnost 2: Kako granične vrednosti utiču na performanse
aktivnost 3: Odabir graničnih vrednosti
Tematska celina 3. Gradijentno pojačana stabla koristeći XGBoost
Stabla odlučivanja su još jedan standardni model kreditnog rizika. Ići ćemo dalje od stabala odlučivanja koristeći izuzetno popularni XGBoost paket u pajtonu za kreiranje gradijentno pojačanih stabala. Nakon razvoja sofisticiranih modela, testiraćemo njihove performanse i razmotriti izbor kolona kod nebalansiranih podataka.
Lekcija 1. Stabla pojačana gradijentom pomoću XGBoost-a
aktivnost 1: Stabla za neizvršenje obaveza
aktivnost 2: Gradijent je poboljšao performanse portfolija
aktivnost 3: Procena kvaliteta ocenjivanja stabla sa pojačanim gradijentom
Lekcija 2. Izbor kolona za kreditni rizik
aktivnost 1: Važnost kolone i predviđanje neizvršenja obaveza
aktivnost 2: Vizuelizacija važnosti kolone
aktivnost 3: Izbor kolone i performanse modela
Lekcija 3. Unakrsna validacija za kreditne modele
aktivnost 1: Unakrsna validacija kreditnih modela
aktivnost 2: Ograničenja testiranja unakrsne validacije
aktivnost 3: Bodovanje unakrsne validacije
Lekcija 4. Neravnoteža klasa u podacima o kreditima
aktivnost 1: Nedovoljno uzorkovanje podataka za obuku
aktivnost 2: Performanse nedovoljno uzorkovanog stabla
aktivnost 3: Intuicija nedovoljnog uzorkovanja
Tematska celina 4. Evaluacija i implementacija modela
Nakon razvoja i testiranja dva moćna modela mašinskog učenja, koristimo ključne metrike učinka da bismo ih uporedili. Koristeći napredne tehnike izbora modela posebno za finansijsko modeliranje, odabraćemo jedan model. Sa tim modelom ćemo: razviti poslovnu strategiju, proceniti vrednost portfolija i minimizirati očekivani gubitak.
Lekcija 1. Evaluacija i implementacija modela
aktivnost 1: Poređenje izveštaja o modelima
aktivnost 2: Poređenje sa ROC krivama
aktivnost 3: Kalibraciona kriva
Lekcija 2. Stope prihvatanja kredita
aktivnost 1: Stope prihvatanja
aktivnost 2: Vizuelizacija kvantila prihvatanja
aktivnost 3: Loše stope
aktivnost 4: Uticaj stope prihvatanja
Lekcija 3. Kreditna strategija i minimalni očekivani gubitak
aktivnost 1: Izrada tabele strategije
aktivnost 2: Vizuelizacija strategije
aktivnost 3: Profilisanje procenjene vrednosti
aktivnost 4: Ukupan očekivani gubitak
Tehnički detalji interaktivne obuke
Obuka je interaktivnog karaktera, jer svaki polaznik radi i unosi komande za svojim računarom, prateći predavača. Predavač (čiji je računar povezan na projektor) polako objašnjava poslovni projekat i rešava ga unoseći jednu po jednu liniju kôda u okviru pajton razvojnog okruženja. Svaka linija kôda se detaljno elaborira.
U okviru interaktivne obuke, dobićete i detaljno napisan priručnik, sa svim aktivnostima, koji su rađeni na obuci, uključujući i sve linije kôda koje ste napisali. Takođe interaktivnu obuku prati i kreirani video materijal za svaku lekciju, gde je opet detaljno objašnjeno rešavanje poslovnog projekta i elaboracija svake linije kôda. Na ovaj način bićete u stanju da potpuno razumete i savladate kako modeliranje kreditnog rizika, tako i odgovarajuće komande programskog jezika pajton.
Za potrebe praćenja ove obuke potrebno je umereno znanje programskog jezika pajton. Ukoliko nemate predznanje iz programiranja u pajtonu, predlaže se da prvo odslušate sledeće dve interaktivne obuke:
Uvod u pajton za finansije, kao i
Srednji nivo pajtona za finansije.
Svaka od datih interaktivnih obuka, traje takođe po dva dana, i potkrepljena je detaljno napisanim priručnicima, kao i kvalitetnim snimljenim video materijalima.
Predavač na obuci je dr Vladimir Vasić, doktor statističkih nauka, redovni profesor na Beogradskoj bankarskoj akademiji – Fakultetu za bankarstvo, osiguranje i finansije, koji ima višedecenijsko iskustvo u rešavanju brojnih privrednih poslovnih projekata u zemlji i regionu. Predavač je 17 godina, učestvovao kao najviši istraživač (klasa A1) na projektima nacionalnog značaja na istraživanjima kvantifikacije verovatnoće difolta i izgradnje kreditnog rejtinga preduzeća. Dati projekti, finansirani od Ministarstva za nauku Srbije su: „Razvoj institucija i instrumenata hipoteke i financijskog tržišta u Srbiji“ (2006-2010) i „Rizici financijskih institucija i tržišta u Srbiji – mikroekonomski i makroekonomski pristup“ (2011-2022). Takođe, predavač je više od 15 godina vodeći konsultant, kada su u pitanju izgradnja algoritama i modela alatima data mining-a. Osim višedecenijskog iskustva u prenošenju znanja naprednog modeliranja i predikcije studentima završnih godina, predavač je i autor 25 naučnih radova objavljenih u časopisima na SCI i SSCI listi.
Prijavite se putem: linka
