Общ преглед: Банковият сектор е изправен пред сериозно предизвикателство да оценява точно кредитоспособността на кредитополучателите, за да взема информирани решения за отпускане на кредити. Традиционните модели за оценка на кредитоспособността, които често разчитат на ограничена информация, като например кредитна история, може да не отразяват точно риска от непогасяване на задълженията. За да се справим с това предизвикателство, нашият екип получи задачата да разработи по-точен и изчерпателен модел за прогнозиране на вероятността от неизпълнение.
Решение: Екипът ни разработи модел за вероятност от непогасяване (PD), който използва широк набор от данни за клиентите, включително поведенчески и демографски данни, за да прогнозира вероятността от непогасяване. Моделът се основава на алгоритми за машинно обучение, които са обучени на исторически данни, за да идентифицират модели и корелации между различни променливи и риска от неизпълнение.
Първоначално събрахме и обработихме голям набор от данни от молби за кредит и свързаните с тях данни за клиентите и използвахме различни алгоритми за машинно обучение, като логистична регресия и "дървета на решенията", за да обучим и тестваме модела. Също така извършихме подбор на характеристики и инженеринг, за да идентифицираме най-подходящите променливи за прогнозиране на риска от неизпълнение.
Резултатът от модела е единна оценка, която отразява вероятността от неизпълнение, която може да се използва за информиране на решенията за отпускане на кредити и за определяне на подходящи лихвени проценти.
