?
Applying Complementary Credit Scores to Calculate Aggregate Ranking
В течение нескольких десятилетий исследователи занимаются улучшением моделей кредитного скоринга. Ведь увеличение предсказательной способности даже на малые величины может избавить финансовый институт от значительного объёма убытков. Наибольших успехов в этом направлении удалось добиться с помощью ансамблей или нескольких агрегированных скорингов. Однако, при применении ансамблей на несбалансированных выборках речь идёт об улучшении мощности скоринга на тысячные процента.
В этом исследовании также предлагается построить агрегированный скоринг. Однако, в отличие от ранее написанных статей, предлагается использовать базовые ранжирования, ориентированные на разные типы заёмщиков. Цель этого исследования – проиллюстрировать на реальных несбалансированных данных эффективность такого агрегирования скорингов.
В качестве показателя эффективности кредитного скоринга используется показатель дискриминационной способности – площадь под ROC-кривой. Для измерения статистической разницы между двумя площадями используется тест DeLong, DeLong и Clarke-Pearson. Также в этом исследовании используется логистическая модель дефолтов, применяемая на данных финансовой отчётности компаний, которая обычно ориентирована на определение дефолтных заёмщиков. Для получения скоринга, ориентированного на не дефолтных заёмщиков, применяется модифицированная медиана Кемени, которая задумывалась авторами для ранжирования компаний с кредитными рейтингами. Полученные скоринги агрегируются логистической регрессией.
В исследовании используется выборка большей части российских банков, существовавших и претерпевавших дефолт с 01.07.2010 по 01.07.2015 года. Выборка банков является сильно несбалансированной, её концентрация дефолтов около 5%. Однако агрегирование проводится для банков, имеющих несколько рейтинговых оценок. В результате было обнаружено, что агрегирование ранжирований, построенных на разном типе информации, значительно улучшает дискриминационную способность скоринга даже на несбалансированной выборке. Более того в абсолютном значении это улучшение превосходит все ранее проиллюстрированные на несбалансированных выборках.
Так как используемые в этой работе классификаторы обладают сравнительно высокой интерпретируемостью, то полученный агрегированный скоринг и подход его построения может применяться в финансовых институтах при оценке кредитных рисков, также как и вспомогательный инструмент для принятия решений менеджментом.