UK 
EnglishТипова
Polski💳 Модель Кредитного Скорингу — Конструктор Скоркарти Наживо
Побудуйте кредитну скоркарту із синтетичних ознак заявників і спостерігайте, як рівень схвалення, рівень дефолту та прибуток змінюються разом, коли ви перетягуєте поріг балу.
Про цю симуляцію
Банки та кредитори рідко видають кредитному спеціалісту сиру ймовірність на кшталт «14,3% ймовірності дефолту» — вони видають бал. Кредитна скоркарта бере вихідні лог-шанси навченого класифікатора й перемасштабовує їх у простий, зрозумілий цілочисловий діапазон (зазвичай 300–850), використовуючи фіксований зсув і коефіцієнт, отримані з умовності «балів для подвоєння шансів» (PDO). Оскільки перемасштабування — це пряме афінне перетворення лог-шансів, жодна розрізняльна здатність моделі не втрачається — але бал стає розкладним: загальну суму кожного заявника можна розбити на бали, отримані від кожної основної ознаки, а це саме те, що регулятори й команди кредитного ризику очікують мати змогу перевірити.
Ця симуляція генерує синтетичну популяцію з кількох сотень позичальників із чотирма реальними основними ознаками — річним доходом, співвідношенням боргу до доходу (DTI), балом платіжної історії та використанням поновлюваного кредиту, — навчає справжню логістичну регресію на цих ознаках методом градієнтного спуску за крос-ентропійними втратами, а потім перетворює навчені ваги на реальну бальну скоркарту за допомогою масштабування PDO. Перетягування повзунка порогу балу змінює, кого схвалюють, і рівень схвалення, рівень дефолту серед схвалених та очікуваний прибуток портфеля оновлюються разом із того самого порогового зсуву по тій самій основній популяції — оскільки всі три числа обчислюються з того самого відсортованого списку балів, вони не можуть рухатися незалежно одне від одного.
Часті питання
Що таке кредитна скоркарта і чим вона відрізняється від використання сирої ймовірності?
Скоркарта бере вихідні лог-шанси навченої логістичної регресії — величину, про яку кредитному спеціалісту важко міркувати інтуїтивно, — і перемасштабовує її на простий цілочисловий діапазон, зазвичай 300–850, за допомогою двох констант, що звуться зсув і коефіцієнт. Оскільки перемасштабування — пряме афінне перетворення лог-шансів, воно точно зберігає всю розрізняльну здатність моделі; нічого не втрачається. Здобуток — це зрозумілість і адитивність: перетворення дозволяє розкласти загальний бал на бали, зроблені кожною вхідною ознакою, тож банк може буквально видати заявнику друкований розклад, що показує, скільки балів надійшло від доходу, співвідношення боргу до доходу, платіжної історії та використання кредиту, — чого сира ймовірність зробити не може.
Як насправді обчислюються бали за дохід, DTI, платіжну історію та використання кредиту в цій симуляції?
Симуляція спочатку навчає справжню логістичну регресію методом градієнтного спуску за крос-ентропійними втратами на синтетичній популяції заявників, отримуючи вагу для кожної з чотирьох стандартизованих ознак плюс член зсуву. Масштабування «Балів для подвоєння шансів» (PDO) потім перетворює цей вектор ваг на коефіцієнт і зсув: коефіцієнт = PDO / ln(2), а зсув обирається так, щоб еталонне співвідношення шансів (50 хороших рахунків на 1 поганий) відповідало цільовому балу. Внесок балів кожної ознаки для даного заявника дорівнює −коефіцієнт × вага × (стандартизоване значення ознаки), а член зсуву стає фіксованим базовим внеском балів — тому чотири показані бали ознак плюс базові бали завжди в сумі дають точно загальний бал заявника.
Чому рівень схвалення, рівень дефолту та прибуток рухаються разом, коли я перетягую поріг, а не незалежно?
Усі три числа обчислюються з того самого відсортованого списку балів заявників і тієї самої фіксованої популяції хороших/поганих результатів — лише поріг змінює, які заявники опиняються на схваленому боці межі. Підвищення порогу завжди звужує схвалену множину (нижчий рівень схвалення) і завжди прибирає першими заявників із найнижчим балом і найвищим ризиком (нижчий рівень дефолту серед тих, хто залишився), бо бали монотонні щодо моделюваного ризику. Прибуток — це сума реалізованої маржі на схвалених хороших рахунках мінус реалізовані втрати на схвалених поганих рахунках у тій самій звужуваній множині, тож він неминуче описує єдину криву, зумовлену тим самим пороговим зсувом — три криві не можуть розходитися щодо того, які заявники «всередині» за даного порогу.
Що таке PDO (бали для подвоєння шансів) і чому тут 20 балів?
PDO визначає, скільки балів відповідає подвоєнню співвідношення шансів хороший:поганий — наприклад, якщо PDO = 20, а бал 600 відповідає шансам 50:1, то бал 620 відповідає шансам 100:1, а бал 580 — шансам 25:1. Двадцять балів на подвоєння — давня галузева умовність (використовується в бюрових балах у стилі FICO), бо вона створює шкалу, яка розподіляє бали достатньо широко, щоб бути візуально й операційно значущою в діапазоні 300–850, не будучи настільки крутою, щоб невеликі зміни моделі різко хитали бали, і не настільки пласкою, щоб шкала втрачала розрізняльну здатність.
Чому поріг, що максимізує прибуток, може відрізнятися від порогу, що мінімізує рівень дефолту?
Поріг 850 (схвалити майже нікого) знижує рівень дефолту серед схвалених до нуля, але водночас відхиляє тисячі фунтів прибуткових хороших рахунків, тому загальний прибуток низький. У міру зниження порогу схвалюється більше граничних, але все ще прибуткових хороших рахунків, кожен з яких додає позитивну очікувану маржу, і прибуток продовжує зростати, навіть попри те, що рівень дефолту серед схвалених повільно повзе вгору — бо втрата грошей на кількох додаткових поганих рахунках переважується відсотками, зароблюваними на набагато більшій кількості хороших. Після певної точки граничні рахунки, які пропускаються, погані настільки часто, що їхні очікувані втрати перевищують маржу, зароблену на граничних хороших рахунках, і прибуток розвертається вниз, навіть попри те, що рівень дефолту продовжує зростати. Поріг, що максимізує прибуток, лежить у точці, де граничний очікуваний прибуток дорівнює граничним очікуваним втратам — це справді інший критерій, ніж мінімізація сирого рівня дефолту.
Як генерується «справжня» мітка дефолту в цій симуляції, і як це порівнюється з тим, як реальний банк отримує свої мітки?
Справжній результат дефолту кожного синтетичного заявника генерується як випробування Бернуллі з еталонної логістичної функції доходу, DTI, платіжної історії та використання кредиту плюс незалежний випадковий шум — тож популяція має справді пізнаваний, хоч і прихований, зв'язок ризику, який навчена скоркарта намагається відновити. Реальні банки натомість спостерігають дефолти лише серед рахунків, які справді були схвалені й профінансовані; заявники, яких відхилили, взагалі ніколи не породжують результату погашення. Цю прогалину звуть виведенням для відхилених (reject inference), і вона означає, що виробничі скоркарти завжди навчаються на вибірково спостережуваній вибірці, а не на повній популяції заявників, як генерується еталон у цій симуляції.
Що таке несприятливий відбір і чому він не моделюється безпосередньо в цій симуляції?
Несприятливий відбір описує, як склад заявників, які справді приймають кредитну пропозицію, може змінюватися залежно від ціни та порогу — наприклад, якщо кредитор підвищує відсоткову ставку, щоб захистити маржу за даного порогу, безпечніші заявники з кращими альтернативами можуть відмовитися, тоді як ризикованіші заявники з меншою кількістю альтернатив усе ще погоджуються, тихо підвищуючи справжній рівень дефолту тих, хто залишився. Ця симуляція тримає популяцію заявників фіксованою й змінює лише те, кого схвалено, що чисто ізолює механіку скоркарти (бали, поріг, компроміси схвалення/дефолту/прибутку), але навмисно не моделює відмову заявників від пропозиції — реальному портфельному менеджеру доводиться міркувати про обидва ефекти одночасно, і їх змішування ускладнило б розуміння основного уроку скоркарти.
Чому підвищення контролю якості моделі змінює форму кривих, а не просто зміщує їх?
Контроль якості моделі масштабує, наскільки сильно чотири ознаки насправді розділяють хороших і поганих заявників в еталонному генераторі, ще до будь-якого навчання. Популяція вищої якості має менше перекриття між розподілами балів хороших і поганих, тож та сама навчена скоркарта досягає нижчого рівня дефолту за будь-якого даного рівня схвалення — уся крива прибутку піднімається, а її пік стає гострішим і поблажливішим, бо є більше справжнього сигналу для використання логістичною регресією. Популяція нижчої якості стискає розподіли хороших і поганих разом, тож жоден поріг не може їх чисто розділити, і кожна точка компромісу схвалення/дефолту/прибутку погіршується одночасно — це відображає те, як на практиці багатші або чистіші дані заявників дають суттєво кращу скоркарту, а не просто перемарковану.