Question 1

Cos'è una scorecard di credito, e in cosa differisce dall'uso diretto di una probabilità grezza?

Accepted Answer

Una scorecard prende l'output in log-odds di una regressione logistica addestrata e lo riscala su una semplice scala intera, tipicamente 300–850, usando un offset e un fattore. Poiché la riscalatura è una trasformazione affine diretta dei log-odds, preserva esattamente tutto il potere discriminante del modello. Ciò che si guadagna è interpretabilità e additività: il punteggio si scompone in punti per caratteristica, così una banca può mostrare a un richiedente esattamente quanti punti derivano da reddito, DTI, storico dei pagamenti e utilizzo.

Question 2

Come vengono effettivamente calcolati i punti per ciascuna caratteristica?

Accepted Answer

La simulazione addestra una regressione logistica tramite discesa del gradiente sulla perdita di entropia incrociata, producendo un peso per ogni caratteristica standardizzata più un bias. La riscalatura PDO converte questo in un fattore e un offset: fattore = PDO / ln(2). I punti di ogni caratteristica sono −fattore × peso × (valore standardizzato); il bias diventa punti base fissi. I punti base più i quattro punti delle caratteristiche sommano sempre esattamente al punteggio totale.

Question 3

Perché tasso di approvazione, tasso di insolvenza e profitto si muovono tutti insieme quando trascino la soglia?

Accepted Answer

Tutti e tre vengono calcolati dalla stessa lista ordinata di punteggi e dalla stessa popolazione fissa di esiti buoni/cattivi — solo la soglia cambia chi viene approvato. Alzare la soglia riduce sempre le approvazioni e rimuove sempre per primi i richiedenti più rischiosi, quindi tutte e tre le curve tracciano un'unica scansione di soglia.

Question 4

Cos'è il PDO (punti per raddoppiare le probabilità) e perché qui 20 punti?

Accepted Answer

Il PDO definisce quanti punti di punteggio corrispondono a un raddoppio del rapporto di probabilità buono:cattivo — se PDO = 20 e 600 corrisponde a probabilità 50:1, allora 620 corrisponde a 100:1 e 580 a 25:1. Venti punti per raddoppio è una convenzione consolidata dei bureau di credito che distribuisce i punteggi in modo significativo su un intervallo 300–850 senza rendere la scala troppo o troppo poco sensibile.

Question 5

Perché la soglia che massimizza il profitto potrebbe differire dalla soglia che minimizza il tasso di insolvenza?

Accepted Answer

Una soglia molto alta porta l'insolvenza verso zero ma rifiuta molti conti buoni e redditizi, quindi il profitto è basso. Abbassare la soglia fa entrare più conti marginali ma redditizi, aumentando il profitto anche se il tasso di insolvenza sale lentamente, fino a quando i conti marginali ammessi sono cattivi abbastanza spesso che le loro perdite attese superano il margine guadagnato sui conti marginali buoni — un ottimo genuinamente diverso dalla sola minimizzazione del tasso di insolvenza.

Question 6

Come viene generata l'etichetta di insolvenza "vera", e come si confronta con i dati di una banca reale?

Accepted Answer

Il vero esito di ogni richiedente è un'estrazione di Bernoulli da una funzione logistica di verità di base su reddito, DTI, storico dei pagamenti e utilizzo più rumore. Le banche reali osservano gli esiti solo per i conti effettivamente approvati — i richiedenti rifiutati non generano mai uno storico di rimborso — una lacuna chiamata reject inference che la popolazione completamente osservata di questa simulazione aggira.

Question 7

Cos'è la selezione avversa, e perché non è modellata qui?

Accepted Answer

La selezione avversa è il modo in cui il mix di richiedenti che accettano un'offerta può cambiare con il prezzo — i richiedenti più sicuri possono rinunciare a un tasso più alto mentre quelli più rischiosi restano. Questa simulazione mantiene fissa la popolazione e cambia solo chi viene approvato, isolando in modo pulito la meccanica della scorecard invece di mescolarla con le dinamiche di accettazione dell'offerta.

Question 8

Perché il cursore della qualità del modello cambia la forma delle curve, non solo le sposta?

Accepted Answer

La qualità del modello scala quanto fortemente le quattro caratteristiche separano i richiedenti buoni e cattivi prima che avvenga qualsiasi addestramento. Una qualità più alta significa meno sovrapposizione tra le due distribuzioni di punteggio, quindi la stessa scorecard raggiunge un'insolvenza più bassa a qualsiasi tasso di approvazione e la curva di profitto si alza e si affina; una qualità più bassa comprime insieme le distribuzioni e ogni punto del compromesso peggiora contemporaneamente.

🏦 Modello di credit scoring — Costruttore di scorecard dal vivo

Informazioni sul modello di credit scoring — Costruttore di scorecard

Domande frequenti

What did you find?