现代信用风险管理现在严重依赖于预测建模，远远超出了传统方法。随着贷款实践变得越来越复杂，采用先进人工智能和机器学习的公司在理解和管理风险方面获得了更明显的优势。
下面，我的同事、欺诈和信用风险建模总监 Nick Sime 分享了他的经验中的重要技巧。这些见解旨在帮助风险管理者利用预测模型做出更明智、更安全的贷款决策。
1. 机器学习模型始终表现优异
在独立样本上进行测试时，机器学习 (ML) 模型的性能可靠地优于传统线性模型。虽然改进程度可能有所不同，但与新开发的逻辑回归模型相比，机器学习模型的基尼系数通常提高 10-15%。 就信用风险而言，这可能意味着在给定的截止点不良率可能降低 20%。
2. 样本量很重要
样本越大，机器学习模型就越能识别复杂的非线性模式，从而提高性能。然而，即使投资组合规模较小、违约率较低，实质性改进仍然是可以实现的。
3.最佳特征数量：40-60
随着信用咨询机构使用额外的数据源并得出趋势变量，局数据变得越来越复杂。这给建模者带来了数据缩减的挑战。最重要的是，创建具有过多变量的模型会增加部署和监控的开销。我们的经验表明，通过 40-60 个变量可以获得信用评分开发中接近最佳的性能。
4. 一些过度拟合是必要的
过度拟合通常会被负面看待，但机器学习模型可以从捕捉微妙的模式中受益。应用严格的过度拟合控制实际上可能会降低模型的预测准确性。然而，我们的研究表明，过度拟合的模型恶化得更快，因此平衡方法对于长期稳定性至关重要。简而言之，需要仔细校准的方法来优化现场环境中的性能。
5.可解释性限制不是障碍
为了支持模型的可解释性，在我们的模型设计中“预先”应用了单调性和排名约束。这确保了输入变量的边际影响与业务预期一致。虽然有些人担心这可能会降低性能，但我们发现它的负面影响（如果有的话）可以忽略不计。事实上，随着时间的推移，它甚至有利于模型的稳定性。
6. 长期稳定性
尽管机器学习模型很复杂，但它可以表现出令人印象深刻的稳定性。我们的长期分析表明，与传统的逻辑回归模型相比，深度学习模型随着时间的推移往往会以更慢的速度退化。
7. 一劳永逸（告别分段模型）
在传统建模中，分段模型通常用于捕获非线性关系。然而，机器学习模型本质上会检测这些模式，因此在大多数情况下分段模型基本上没有必要。
8. 拒绝推理需要特别小心
记分卡开发人员通常会创建一个已知好坏 (KGB) 模型、一个接受拒绝 (AR) 模型，对拒绝应用否定假设，以创建数据集来构建消除选择偏差的最终模型。 ML 模型是智能的，可以有效地对样本中被拒绝的案例进行逆向工程，这意味着已知案例的最终模型预测与 KGB 模型非常相似，从而否定了推理过程的好处。
9. 交叉学习（多即是多）
传统的记分卡开发非常强调使开发样本与未来的期望保持一致。然而，我们发现这并不总是高级模型的最佳方法。机器学习模型可以有效地利用相邻数据源，从而产生更稳健和更具预测性的模型。
10. 超参数（避免复杂化）
超参数调整塑造了机器学习模型的结构及其学习过程。虽然网格搜索很常用（需要对每个超参数组合进行模型估计），但这种方法可能会占用大量资源，通常会在迭代中产生类似的结果。我们推荐使用贝叶斯方法，它可以简化流程并更有效地识别最佳设置。
11. 继续监测
监控对于检测任何稳定性问题并确保最佳性能至关重要。随着机器学习模型中输入数量的增加，仪表板对于查明可能需要调整的区域非常有价值。虽然监控会给你一个强烈的指示，你的模型不是最优的，但它不会告诉你它是否是最优的。
12. 领域知识至关重要
虽然模型开发的自动化是可能的，但领域专业知识仍然至关重要。让经验丰富的信用从业人员参与进来，可确保模型输入合理且符合业务需求，避免可能违反直觉或有问题的功能。
您想要寻找一种无需编码即可访问尖端神经网络模型的软件解决方案。
虽然机器学习模型的许多早期采用者都是敏捷的金融科技公司，但传统银行和贷方现在表现出了越来越大的兴趣。在聚合商和经纪商发挥如此关键作用的市场中，风险和价格的协调至关重要。拥有最强大模式的贷款机构具有明显的竞争优势。
关键词：Finextra,新闻,在线,银行,银行,技术,金融,金融,fin,科技,fintech,IT, ）打破（t）最新（t）零售（t）交易（t）贸易（t）执行（t）头条新闻（t）区块链（t）数字（t）投资（t）移动（t）商业（t）挑战者,支付,监管科技,保险科技,服务