Kredietrisicobeoordeling met geavanceerde ensemble-technieken
Inhoud van deze masterclass
Kredietscoring is een van de meest concrete toepassingen van machine learning in de financiële sector. Banken als ING en BNP Paribas Fortis gebruiken ensemble-modellen om de kans op wanbetaling te schatten, naast of in plaats van traditionele logistische regressie.
Waarom enkelvoudige modellen hier tekortschieten
Logistische regressie geeft interpreteerbare resultaten, maar mist de capaciteit om niet-lineaire interacties te vangen, zoals de combinatie van schuldratio, inkomensstabiliteit en betalingshistoriek. Ensemble-methoden pakken dit anders aan.
Inhoud van de cursus
Deelnemers leren kredietscoremodellen bouwen met LightGBM, AdaBoost en een gestapeld model dat meerdere basis-estimatoren combineert. De nadruk ligt op modelkalibratie en het omgaan met ongebalanceerde klassen, een veelvoorkomend probleem in wanbetalingsdatasets.
Naast technische implementatie wordt aandacht besteed aan regelgevende vereisten, met name uitlegbaarheid conform de EBA-richtlijnen voor modelrisicobeheer. SHAP-waarden worden gebruikt om modeluitkomsten te verantwoorden aan niet-technische stakeholders.
Doelgroep
Risicoanalisten, data scientists werkzaam in financiële instellingen en studenten in kwantitatieve finance met Python-ervaring.
De cursus duurt acht weken en bevat vijf beoordeelde opdrachten plus een afsluitend project op een publiek beschikbare kredietdataset.
Programma overzicht
-
Module 1: Kredietdata en klassenproblemen
Analyse van wanbetalingsdatasets. Technieken voor omgaan met klassenonbalans: SMOTE, gewogen verliesfuncties en drempelkalibratie.
-
Module 2: AdaBoost voor binaire classificatie
Theorie en implementatie van AdaBoost. Vergelijking met logistische regressie op ROC-AUC en Gini-coefficient.
-
Module 3: LightGBM in kredietscoring
Efficiënte training met LightGBM op grote datasets. Tuning van leaf-wise groei en regularisatieparameters.
-
Module 4: Stacking en meta-leerders
Opbouw van een gestapeld model met logistische regressie als meta-leerder. Kruisvalidatiestrategie voor out-of-fold voorspellingen.
-
Module 5: Uitlegbaarheid en regelgeving
SHAP-waarden voor lokale en globale modelinterpretatie. Documentatievereisten voor modelrisicobeheer conform EBA-richtlijnen.
Klaar voor verdieping?
Bekijk het volledige leertraject of neem contact op met Renvik Olo voor meer informatie over deelname en inhoud.