Üzletpolitikai, stratégiai kérdés: eszerint alakítjuk ki a rating-scoring rendszert. De hogyan?
Úgy kell belőni a kizárási küszöböt (cut-off szintet), hogy illeszkedjen a bank kockázati profiljához.
Oktatónkat, Dr. Madar Lászlót kérdeztük a rating és scorecard-fejlesztés kulisszatitkairól, melyeket most a tanfolyamon résztvevőknek is átad.
Klasszifikációs modelleket is versenyeztetsz a képzésen, miért?
Tudtad, hogy a neurális háló egyenletrendszere egy szimpla modell esetén is kb. 4 oldalnyi kód? Egyszerűsítsük le ezt például egy jól magyarázható logisztikus regresszióra! Ezt megteheted anélkül, hogy feladnád a modell erejét. Az így kapott modellünk jól prezentálható a társterületek felé, a validátor is jó eséllyel érteni fogja, és ráadásul még a bankfelügyelet felé is jól alá tudjuk támasztani.
Miért rossz a kizárási torzítás (selection bias)?
A scorecard-fejlesztési rendszerben csak azt tudod megfigyelni, akit beengedtél a portfólióba. Például az egyéni vállalkozók hitelezése kapcsán a létező modelled szigorúan bánhat azzal, aki 8 általánost sem végeztt, azonban van 10 ügyfeled, aki 8 általánossal nem rendelkezik, de egyéb leíró jellemzőit tekintve kivételesen jó számokat kellett mutasson ahhoz, hogy hitelezhesd – és máris van egy torz mintád! A mintádon azt fogod látni, hogy lám a 8 általánost sem végzettek kiválóan törlesztik a hiteleiket, és ebből azt a torz következtetést vonhatnánk le, hogy minden alacsony végzettségű adós jó… Ezt a torzítást szakértőileg kell kezelni – az oktatáson megnézzük, hogyan.
Mire jó a WOE-transzformáció?
Ez egy könnyen használható, praktikus eszköz ahhoz, hogy a bemeneti adataidat a logisztikus regresszió számára érthetővé tegyük és így megkerüljük a logisztikus regresszió korlátait. Szuper pontos regressziós eredményt kapunk vele komplex bemeneti adatok esetén is!
Érdekli a téma? Várjuk a kiscsoportos intenzív Rating, scoring modellek - módszertanok és jogszabályi megfelelés képzésen!
