Непрерывное преобразование немонотонных факторов скоринговой модели, повышающее ее дискриминационную способность
В процессе разработки моделей оценки кредитного риска активное применение трансформации весов доказательств (Weight of Evidence, WOE) стало общепризнанным методом, обеспечивающим улучшение дискриминационной способности факторов, включённых в модель.
Трансформация WOE требует применения различных методов биннинга, размерность которых ограничивается доступной статистикой, что потенциально сужает диапазон анализа. В этом контексте мы предлагаем альтернативный подход — метод непрерывной трансформации факторов модели. Этот метод особенно актуален, когда бинарная целевая переменная демонстрирует ненормативную зависимость от факторов, что может значительно снизить точность модели.
С целью углубленного анализа и оптимизации, в работе предложены два типа однопараметрических семей трансформаций, а также строгие условия, определяющие необходимость "оздоровления" факторов. Обоснование метода расчёта параметров трансформации основано на статистических принципах и приводит к значительному повышению качества моделей.
Практические примеры демонстрируют эффективность предложенной трансформации в контексте разработки scoring-моделей в банковском секторе. Исследования показывают, что использование ΦΨ-трансформаций, направленных на коррекцию ненормативности факторов модели, может привести к увеличению дискриминационной способности до 10% по индексу Джини для применяемых моделей бинарной классификации. Это свидетельствует о том, что аккуратно спроектированные трансформации могут существенно улучшать предсказательную мощь моделей, а значит, способствовать более точной оценке кредитных рисков.
Внедрение метода непрерывной трансформации в практику разработки моделей оценки кредитного риска не только соответствует современным требованиям автоматизации и аналитики, но и представляет собой шаг в направлении более глубокой кастомизации подходов к управлению рисками. Данный подход, при наличии необходимых статистических данных и правильном выборе параметров, способен революционизировать процессы принятия решений в финансовых учреждениях, что делает его актуальным для дальнейшего изучения и внедрения.
По материалам Главы книги Mikhail Pomazanov Continuous transformation of nonmonotonic factors of the scoring model increasing its discriminating power, in : Procedia Computer Science: Tenth International Conference on Information Technology and Quantitative Management (ITQM 2023). / Ed. by Y. Shi. Vol. 221 ScienceDirect, 2023. P. 237–244. doi
Школа финансов: Доцент