Как работает кредитный скоринг, и какие параметры влияют на выдачу кредита
Если раньше решение о выдачи кредита принимал человек, то сейчас это делает алгоритм. В статье рассматривается, как работают алгоритмы в скоринге, какие метрики используются, и какие параметры заемщика влияют на то, выдадут кредит или нет.
Ошибка первого и второго рода
Цель банка, выдающего заем – заработать деньги. Первый риск, с которым сталкивается банк, это выдать кредит заемщику, который не вернет заем. Дефолт может наступить по разным причинам начиная от финансовых трудностей заемщика, и заканчивая сознательным мошенничеством. Фрод – отдельная задача, рассмотрим классический скоринг.
Этот случай называется ошибкой первого рода.
Но если банк перестрахуется, и никому не будем выдавать кредиты, даже тем, кто вернул бы деньги, то банк не заработает на процентах.
Отказ в кредите ответственному заемщику – ошибка второго рода.
Для того, чтобы оценить качество принимаемых алгоритмом решений, используется коэффициент Джини (GINI). В экономике и в Data Science коэффициент Gini имеет разную интерпретацию. Для кредитного скоринга он рассчитывается, как
GINI = 2 ROC AUC - 1
Т.е., для оценки скоринга используется обычная ROC-AUC кривая!
Ошибка первого и второго рода
Цель банка, выдающего заем – заработать деньги. Первый риск, с которым сталкивается банк, это выдать кредит заемщику, который не вернет заем. Дефолт может наступить по разным причинам начиная от финансовых трудностей заемщика, и заканчивая сознательным мошенничеством. Фрод – отдельная задача, рассмотрим классический скоринг.
Этот случай называется ошибкой первого рода.
Но если банк перестрахуется, и никому не будем выдавать кредиты, даже тем, кто вернул бы деньги, то банк не заработает на процентах.
Отказ в кредите ответственному заемщику – ошибка второго рода.
Для того, чтобы оценить качество принимаемых алгоритмом решений, используется коэффициент Джини (GINI). В экономике и в Data Science коэффициент Gini имеет разную интерпретацию. Для кредитного скоринга он рассчитывается, как
GINI = 2 ROC AUC - 1
Т.е., для оценки скоринга используется обычная ROC-AUC кривая!
Рис.1 ROC-AUC кривая. Площадь под кривой показывает качество работы алгоритма. 0.5 – случайный прогноз, 1 – идеальный прогноз.
Алгоритмы для скоринга
Особенностью алгоритмов для скоринга, является требование к интерпретируемости. В связи с этим, часто используются линейные модели.
Если максимизировать качество, имеет смысл использовать композиции деревьев, такие как случайный лес, и XGboost. Для кейсов с циклопическим количеством сырых данных подойдут и DNN архитектуры, но нейросети целесообразно применять только крупнейшим банкам.
Применение алгоритмов в банках чаще обусловлено не максимизацией качества, а формальными требованиями к процессу принятия решения, поэтому убедитесь, что ваша нейронная сеть достаточно интерпретируема, прежде чем выпускать решение в бой!
Параметры, влияющие на риск дефолта
Разберем влияющие параметры на примере набора данных и ноутбуков с соревнования на Kaggle - Home Credit Default Risk.
В наборе 220 параметров.
.
Особенностью алгоритмов для скоринга, является требование к интерпретируемости. В связи с этим, часто используются линейные модели.
Если максимизировать качество, имеет смысл использовать композиции деревьев, такие как случайный лес, и XGboost. Для кейсов с циклопическим количеством сырых данных подойдут и DNN архитектуры, но нейросети целесообразно применять только крупнейшим банкам.
Применение алгоритмов в банках чаще обусловлено не максимизацией качества, а формальными требованиями к процессу принятия решения, поэтому убедитесь, что ваша нейронная сеть достаточно интерпретируема, прежде чем выпускать решение в бой!
Параметры, влияющие на риск дефолта
Разберем влияющие параметры на примере набора данных и ноутбуков с соревнования на Kaggle - Home Credit Default Risk.
В наборе 220 параметров.
.
Подпишись на рассылку новостей о AI
Только полезные материалы о машинном обучении и искусственном интеллекте. Мы уважительно относимся к нашим читателям и рассылаем письма не чаше 1 раза в неделю!
Рис.2 Распределение дефолтных и возвращенных кредитов.
Из распределения следует, что классы несбалансированы, и дефолтов меньше чем возвращенных кредитов.
Визуализируем распределения параметров, чтобы понять, имеют ли дефолтные кредиты отличающееся распределение.
Визуализируем распределения параметров, чтобы понять, имеют ли дефолтные кредиты отличающееся распределение.
Рис.3 Пример распределения дефолтных и возвращенных кредитов по возрасту.
Как видно из изображения 3, молодые заемщики имеют больший риск дефолта.
Помимо описанных характеристик заемщика, имеются еще такие параметры как EXT_SOURCE 1,2,3,4. В исследуемом наборе данных это скоринг от бюро кредитных историй и поставщиков внешних данных. Компания DATA4, является примером подобного поставщика. Активными игроками на рынке торговли данными являются сотовые операторы и БКИ.
Для того, чтобы посмотреть с какими параметрами коррелируют прогнозы внешних поставщиков данных, и как они влияют на качество алгоритма, построим корреляционную матрицу.
Помимо описанных характеристик заемщика, имеются еще такие параметры как EXT_SOURCE 1,2,3,4. В исследуемом наборе данных это скоринг от бюро кредитных историй и поставщиков внешних данных. Компания DATA4, является примером подобного поставщика. Активными игроками на рынке торговли данными являются сотовые операторы и БКИ.
Для того, чтобы посмотреть с какими параметрами коррелируют прогнозы внешних поставщиков данных, и как они влияют на качество алгоритма, построим корреляционную матрицу.
Построим распределения по данным внешних поставщиков, и увидим, что они имеют отличия для дефолтных кредитов.
Для большего количества признаков получим следующую картину
Для большего количества признаков получим следующую картину
Найдем влияющие на дефолт факторы по feature_importances
Построим диаграмму важности признаков для случайного леса.
Что влияет:
1) Скоринг от бюро кредитных историй и внешних поставщиков данных, таких как наша компания DATA4
2) Возраст и пол
3) Время, которое прожил заемщик по месту последней регистрации
4) Срок кредита
5) Тип запрашиваемого кредита
6) Процент, который кредит составит от денежного потока и зарплаты клиента
7) Времени использования заемщиком телефонного номера
8) Временя, на последнем месте работы, и доля от общего стажа
9) Кредитный денежный поток
10) Сумма кредита
В статье были рассмотрены принципы работы кредитного скоринга, и показали параметры, которые вносят наибольший вклад в решение о выдачи кредита. Результаты выглядят правдоподобно. Чем лучше кредитная история заемщика, чем дольше заемщик работает на одной работе, реже меняете номер телефона и место жительства, и чем меньше доля кредита от располагаемых доходов, тем меньше риск дефолта.
1) Скоринг от бюро кредитных историй и внешних поставщиков данных, таких как наша компания DATA4
2) Возраст и пол
3) Время, которое прожил заемщик по месту последней регистрации
4) Срок кредита
5) Тип запрашиваемого кредита
6) Процент, который кредит составит от денежного потока и зарплаты клиента
7) Времени использования заемщиком телефонного номера
8) Временя, на последнем месте работы, и доля от общего стажа
9) Кредитный денежный поток
10) Сумма кредита
В статье были рассмотрены принципы работы кредитного скоринга, и показали параметры, которые вносят наибольший вклад в решение о выдачи кредита. Результаты выглядят правдоподобно. Чем лучше кредитная история заемщика, чем дольше заемщик работает на одной работе, реже меняете номер телефона и место жительства, и чем меньше доля кредита от располагаемых доходов, тем меньше риск дефолта.
Связаться с нами
Напишите контактные данные, чтобы мы связались с вами.
DATA4
Сделаем будущее настоящим!
Сделаем будущее настоящим!