Giriş Giriş Giriş

Kredi riski değerlendirme, ses bankacılık operasyonlarının temel taşıdır. Lenders, kredi risklerini sınıflandırmak için şeffaf ve güçlü bir yöntem ile ayırt etmelidir. Tarihsel olarak, bankalar insan atama ve basit puanlama modellerine dayanır, ancak Basel II/III ve IFRS gibi düzenleyici gereklilikleri yerine getirir.

Hangi Karar Ağaçları?

Bir karar ağacı, tahminleri yapmak için bir akış tarzı yapısı kullanan bir denetim makinesine bağlı bir algoritmadır. Tüm veriler kümesi), iç düğümler (bir özellike dayalı olarak), şubeler (bir testin organizatörleri) ve broşürler (görüler) için, hedef “default” veya “tehlikeli olmayanlar” olarak ödünç almaktır.

Core Bileşenler

  • [FONT:0)Root node:[Dönetici:[Dönetici:0) En bilgisel niteliklere ilk bölünmüştür.
  • [FONT:0]Splitting kriteri:[Dönetici:[Dönetici) Gini dürtüsü veya bilgi kazanç gibi ölçüler, her düğümde homojeniteyi nasıl üstleneceklerine karar verir.
  • [FONT:0)Pruning:[Dönetici:[Dönetici:0)[Dönlendirme:[Dönlendirme)[[Dönlendirme)

Karar ağaçları, veri dağıtımı hakkında hiçbir varsayım oluşturmaz ve özel mühendislik olmadan doğrusal olmayan ilişkileri yakalayabilirler. onların yorumlanabilirliği, düzenlenmiş endüstrilerde önemli bir avantajdır: bir bankanın risk memuru, denetçilerin neden kredi başvurusunun reddedildiğini tam olarak açıklayabilir.

Bir Kredi Risk Karar Ağacı Oluşturma Adımları

1. Veri Koleksiyonu

Yüksek kaliteli tarihsel veriler temeldir. Ortak veri kaynakları şunları içerir:

  • [FONT:0) Uygulama verileri: [Dönetici, istihdam uzunluğu, yaş, eğitim.
  • [FONT:0)Bureau verileri: [Dönemli kredi tarihi, olağanüstü borç, geçmiş delinquencies sayısı.
  • [FONT:0)Behavioral veriler:[Dönetici:[Dönetici:0)Rehavioral veriler:[Dönetici:[Dönetici:[Dönetici: 1) İşlem kalıpları, hesap dengesi.
  • [FONT=0]Macroekonomik veriler:[Dönetici:[Dönetici:0)[FONT:0)[FONT=FONT=FONT=FONT=0)

Tipik bir veri kümesi 10-30 özellik ve on binlerce kredi kaydı içerir. Hedef değişkeni ikili bir bayraktır: 1, eğer bir hesaplı performans penceresi (örneğin 12 ay), başka 0.

2. Data Preprocessing

Raw verileri temizleme gerektirir:

  • [FONT:0)Handling eksik değerleri:[Dönetici için:[Dönetici için) veya mod (ya da kategorik olarak) veya potansiyel bilgilendirici kalıpları yakalamak için ayrı bir kategori olarak eksik olan tedavi.
  • [FONT:0)Outlier tedavisi:[Dönetici:[Dönder: s.
  • [FONT:0)Encoding kategorical variables:), Bir-hot encoding veya etiket iş türü gibi değişkenler için kodlama.
  • [FONT:0) Normalleştirme:[Dönetici:[Dönetici:0) Karar ağaçları için kesinlikle gerekli değil, ancak ölçek tutarlılığı, daha sonra ensemble yöntemlerini kullanırken yardımcı olur.

Proper preprocessing önyargı azaltır ve etkili bölme için verileri hazırlar.

3. Özel Seçme

Tüm özellikler eşit katkıda bulunmamaktadır. Özel seçim modelleme model performansını ve yorumlanabilirliği geliştirir:

  • [FONT=0]Bilgi kazanır / karşılıklı bilgi:[Dönetici:[Dönetici:0) Rank, hedef hakkında ne kadar belirsizlik azalttıklarıyla ilgili özellikleri.
  • [FONT:0)Kurallama analizi:[Dönder:[Dönder: 1 ) Geri kalan özellikleri azaltmak için son derece korelasyon.
  • [FONT:0)Recursive özellik ortadan kaldırma (RFE): ), zayıf özellikleri kaldırmak için bir karar ağacı kullanın.

Kredi riski için ortak olarak seçilmiş özellikler, borç-to-geliş oranı, kredi kullanımı, açık ticaret sayısı ve kredi tarihinin uzunluğu içerir.

4. Ağaç Binası

Algoritmalar, kriter ve karmaşık kontrollerden farklıdır. bankacılıkta en yaygın kullanılan:

  • [FONT:0)CART (Klasikleştirme ve Regresyon Ağaçlar): ) Sınıflandırma için Gini dürtüsünü kullanın. ikili bölünmeler üretir ve ek devreler aracılığıyla eksik verileri ele alır.
  • [FONT:0)C4.5 / C5.0:[Dönetici:[Dönetici:0)[FONT:0)C4.5 / C5.0:[Dönetici:[Döneticileri kullanın ve çok yönlü bölünmüşler üretir, ancak daha dikkatli bir şekilde bakımsız aşırıya yatkın.
  • [FONT3: [Dönetici: [Dönetici:0) Tarih öncesi, nadiren üretimde kullanılır.

Hiperparametre Tuning

Anahtar parametreler ağaç karmaşıklığını kontrol eder:

  • [[0): Aşırılık önlemek için maksimum seviyeleri sınırlayın (kommon değerleri: 5–15).
  • [[Düzücü: Bir node bölmek için gerekli olan minimum sayıda örnek (örneğin, 50).
  • [FONT:2): yaprak başına en az örnek (örneğin 20).
  • [FONTNT: 3 ): Her bir bölünme için kabul edilen özelliklerin sayısı (örneğin toplam özelliklerin rensi).

Parametreleri seçmek için çapraz değer kullanın. sığ bir ağaç hazırlayabilir; derin bir ağaç memorizes gürültü. Hedef, görünmeyen borçlara genelleşen bir ağaçtır.

5. Pruning

Pruning, ağacın tam derinlikte büyüdüğünden azalır. İki ortak yaklaşım:

  • [FONT:0)Öylenceli bir şekilde dur:[Dönemli bir şekilde durgun:[Döntme:0) Bir eşleme sayısı veya bölünme minimum kazançların ötesindeki boşluk azaltımı artırmıyorsa bölmeyi durdurun.
  • [FONT=0)Post-pruning (cost-complexity pruning):), tam bir ağaç büyütün, sonra küçük tahmin edilebilir değer ekleyen dalları kaldır.En küçük çapraz değerli hatayla altağaç seçin. Scikit- learning’sFLT: 4) bunu parametre ile destekler.

Pruned ağaçlar daha basit, daha az aşırılığa eğilimlidir ve üretimde dağıtmayı daha kolaydır.

Bankacılıkta Karar Ağaçlarının Kullanımının Avantajları

  • [FONT:0) Sorumluluk:[Dönetici:[Dönetici:[Dönetici:0) Bir karar ağacı görselleştirilebilir ve teknik olmayan paydaşlara açıklanabilir. Risk yöneticisi şöyle diyebilir: “Eğer borç-var-sahraman vegt; %45 ve son delinquencies > 2 bayrak, yüksek risk olarak.
  • [FONT:0) Hiçbir ölçeklendirme gerekli değildir:[Dönetici ve kategorik özellikler yerli olarak ele alınır, preişleme adımlarını azaltır.
  • [FONT:0]Doğru olmayan ilişkileri ele alalım: özellikler arasındaki etkileşimler (örneğin, gelir ve kredi miktarı) otomatik olarak bölünmüşler yoluyla yakalanır.
  • [FONT:0)Speed:[Dönetici] Bir kez eğitilmiş, tahmin hızlı - ağaç derinliğine göre tarihsel zaman. Gerçek zamanlı kredi kararı için ideal.
  • [FONT:0)İşlev önemi:[Döneticiler inşa edilmiş ölçümler (örneğin, en etkili faktörler sıralanmak için) anlamına gelir.

Meydanlar ve düşünceler

Overfitting

Karar ağaçları yüksek varyanlara sahiptir. Eğitim verilerindeki küçük değişiklikler çok farklı bölünmüşler üretebilir. Mitigation stratejileri, minimum yaprak boyutları ve ensemble yöntemlerini kullanarak (aşağıda bakın).

Imbalanced Data

Kredi varsayılan nadirdir - örneklerden daha az. Standart ağaçlar çoğunluk (tafault) sınıfına karşı önyargılı olabilir, varsayılanlar için düşük hatırlayamıyor.

  • [FONT=0)Resampling:[Dönemli varsayılanlar (SMOTE) veya altta olmayanlar.
  • [FONT:0]Weighted classes:[Dönemli sınıflar:[Dönler:[Dönler: 1 )))))Yüksek cezayı, varsayılan varsayılanları (Ücretsiz) ile yanlış sınıflandırmak için tayin etmek.
  • [FONT:0]Threshold ayar:[Dönetici:[Dönetici:0) olasılık kesebilir (default ağacı 0/1; olasılıkları kullanın ve bayraklama riski için daha yüksek bir eş ayarlan).

Instability

Ağaçlar belirli eğitim örneği için hassas olabilir. Bir çaresi, yorumlanabilirlik (ki özellik önemi) ile ilgili olarak değişkenliği azaltmaktır.

Uygulamada Karar Ağaçları

Üretim kredisi modelleri için, tek karar ağaçları nadiren tek başına kullanılır. Bunun yerine, ensemble yöntemleri için bloklar inşa etmeye hizmet ediyorlar:

Rastgele Orman

Yüzlerce karar ağacının bir araya gelmesi, her biri bir bottrap örneği üzerinde eğitilmiş ve rastgele alt özellikleri kullanarak özellikler geliştirir.Doğru ve sağlamlığı geliştirir, ancak bazı yorumlanabilirliğin pahasına. hala, özellik önemi ve SHAP değerleri tahminleri açıklayabilir.

Gradient Boosting Machines (GBM)

XGBoost, LightGBM ve CatBoost, kredi riski için endüstri favorileridir. Ağaçların açık bir şekilde inşa ettikleri, önceki hatalardan öğrenilmesi. Bu modeller genellikle devlet-of-the-art performans elde ederlerse, aşırılıktan kaçınmak için dikkatli bir ayar gerektirirler.

Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma Karşılaştırma

MethodAccuracyInterpretabilityTraining Speed
Single Decision TreeModerateVery HighFast
Random ForestHighModerateMedium
Gradient BoostingVery HighLow–ModerateSlow (with tuning)

Birçok banka, gerçek kredi kararları için bir güçlendirmeli bir model dağıtıyor.

Düzenleme ve yorumlanabilirlik

Finansal düzenleyiciler (örneğin, Banka Süpervision'da (FLT:1) modelleme şeffaflığı ve adilliği gerektirir. Karar ağaçları bu ilkelerle uyumlu hale getirir, çünkü bunlar doğal olarak açıklanabilir.

  • [FONT:0) Model belgesi:[Dönetici:[Dönetici:0)[[[FONT:0) Her bölünme kuralının belgelenmesi ve haklı olması gerekir.
  • [FONT=0]Bias testi:[Dönetici] Ağacın korumalı gruplara karşı ayrım yapmamasını sağlamak (örneğin, yaş, cinsiyet).
  • [FONT:0)Backtesting:[Dönetici:[Dönetici:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:) Karşılaştırma, zaman içinde gerçek sonuçlarla varsayılan fiyatlar.

[FONT:0]Scikit-learn'in karar ağacı Uygulama, XGBoost gibi üretim için yaygın olarak kullanılır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Kredi riski değerlendirme için karar ağaçları inşa etmek, borç verenleri değerlendirmek için şeffaf ve etkili bir yöntem sunar. Sisteme dayalı olarak veri toplamak, preişmanlık, örnekleme özellikleri, bina ve bakım ağacının belirlenmesi ve dengesizlik gibi zorluklarla ele almak, bankalar risk yöneticileri ve denetim edilebilir bir araç oluşturabilirler.

Daha fazla okuma için, Breiman ve al. (1994) tarafından orijinal CART kitabını ve [Dönetici:0)Risk.net) kredi puanlamaları üzerine makaleler.Uygulamayı keşfetmek için, [[ŞUygunlama belgeleri[Dönemli:2).