用风险建模 in Python 系列 3 - 独立模型下

公众号从 7 月底不再更新，

本着发一次广告写一篇原创的原则，

最后一次广告排在 7 月 28 日

因此原创大概写到那天左右。

今年还有两本书的合约，

现在完全没有时间写。

是时候做出取舍了，

要不什么都干不好。

我只写高质量的文章，

如果质量达不到我的要求，

那还不如不写不发，

由于 7 月的广告已排不能毁约，

这个月还会出四篇原创， 

看一篇少一篇了。

等到两本书完成时，

再归来。

本文含 4616 字，40 图表截屏

建议阅读 24 分钟

0

引言

本文是「信用风险建模 in Python」系列的第三篇，其实在之前的 Cufflinks 那篇已经埋下了信用风险的伏笔，

1. 信用组合可视化

2. 信用风险 101

3. 独立模型 - 伯努利模型

4. 独立模型 - 泊松模型
   

在伯努利模型中，我们用一下违约指示函数来对第 n 个借贷人违约建模

这种建模方式是直接赋值给违约事件和存活事件一个概率，但并没对违约事件建模。如果要做的更精细点，我们可以引进随机变量 X_n，定义为违约事件，即当随机变量超过一个阈值时违约，那么违约指示函数为

该随机变量 X_n 可以是离散型或连续性，以上这种指定违约的模式打开了很多的建模可能性。如果以伯努利分布（二项分布）为起点，我们很自然的会联想到泊松分布 (Poisson distribution)，该分布是对一段时间某种事件发生的次数建模的。如果把事件想成违约，那么该事件发生一次和一次以上就是违约，即 X_n ≥ 1，发生零次就是存活，即 X_n < 1。

根据泊松分布的 CDF，我们得到 

那么违约个数为泊松分布对应的违约指示函数为