Комбинированные методы и модели для оценки кредитного риска заемщика — физического лица
Размещено на сайте 24.10.2013
В условиях приближающегося кризиса потребительский кредитный скоринг становится все более востребованным. Даже небольшое улучшение его качества влечет за собой сокращение потерь, поэтому важно использовать наилучшую классификационную модель. Улучшение качества происходит в направлении разработки и исследования новых, комбинированных моделей, принципы построения которых описываются в данной части статьи1.
Д.Н. Козлов, ОАО Банк ЗЕНИТ, департамент рисков, начальник управления операционных рисков и контроля, к.т.н., доцент
В.В. Лёвин, ОАО Банк ЗЕНИТ, начальник отдела скоринга, к.ф.-м.н., доцент
Приводятся извлечения из статьи.
Полную версию материала читайте в журнале.
Подписаться
Простейший и давно известный подход к гибридизации состоит в разбиении всего множества исходных данных на кластеры данных, имеющих однородные статистические характеристики, и построении для них отдельных мономоделей.
|
Метод обучения ансамбля моделей является парадигмой машинного обучения, когда группа моделей настраивается для решения одной проблемы с целью получения более высокого качества прогноза, чем точность любой отдельно взятой модели.
|
В отличие от обычного подхода машинного обучения, когда стремятся проверить одну гипотезу о структуре данных на основе обучающей выборки, методом обучения ансамбля моделей стремятся конструировать множество гипотез относительно структуры данных и комбинировать их для дальнейшего использования.
|
По сравнению с традиционным статистическим подходом генетические алгоритмы имеют преимущество в том, что здесь нет ограничений, определяемых формой функций, связывающих исследуемые переменные.
|
Имеется большое количество исследований по применению логит-регрессии для классификации клиентов в кредитном скоринге, где отмечается хорошее качество решений с использованием логит-регрессии при разделении «плохих» и «хороших» клиентов.
|
Гибридная модель превосходит по точности модель на основе единственного классификатора соответствующего типа.
|
При совместном использовании скоринга заявок и поведенческого скоринга клиенты классифицируются на пять категорий: от СЗ1 до СЗ5 — для скоринга заявок и от ПС1 до ПС5 — для поведенческого скоринга.
|
