申請評分模型拒絕推斷（RI）方法
文章目錄
- 申請評分模型拒絕推斷（RI）方法
-
- 1、拒絕推斷評分卡模組化流程
- 2、拒絕推斷的方法彙總（簡化版）
-
- 1、Simple Assignment（配置設定指派法）
- 2、Augmentation
-
- 2.1、Simple augmentation （Hard-cutoff，簡單擴充法）
- 2.2、Fuzzy augmentation （模糊擴充法）
- 2.3、Parcelling（分段擴充法）
1、拒絕推斷評分卡模組化流程
The workflow for the reject inference process is:
- Build a logistic regression model based on the accepts. (bases_model)
- Infer the class of rejects using one of the reject inference techniques.
- Combine the accepts and rejects into a single data set.
- Create a new scorecard, bin the expanded data set, and build a new logistic model.（final_model）
- Validate the final model.
2、拒絕推斷的方法彙總（簡化版）
拒絕推斷是對一種非随機性缺失（MNAR）的資料處理形式，概況來說有兩種處理技術：配置設定法和增強法。這兩種方法，一種依賴經驗，一種依賴算法：
在一些機構當中，為了較準确推斷出拒絕樣本中的好壞分布，會采用下探法。也就是說在生産環境中某一段時間内，接受所有申請，積累全量客戶（但被規則拒絕的仍然會被拒絕），或者将模型評分cutoff value下移，讓更多的的申請通過。待該批客戶有了貸後表現後選擇全量樣本進行模組化。這種通過放松拒絕比準的下探法需要機構承受較大的壞賬損失，通過增加壞賬成本擷取更多資料。 實際生産環境表明，增量下探方法對改善模型的效果比較明顯。
1、Simple Assignment（配置設定指派法）
指派法是指通過查詢拒絕樣本的外部貸款資料或人工的方法，為拒絕樣本打上好壞标簽。如果發現拒絕客戶在其他機構發生違約行為或被打上各種風險标簽，則通過規則直接對客戶進行好壞樣本标記。如果資料采集的成本不高，采集難度不大，這種方法可行且有效。
2、Augmentation
2.1、Simple augmentation （Hard-cutoff，簡單擴充法）
Hard-cutoff方法首先是使用有貸後表現的通過樣本訓練出來base_model，然後對拒絕樣本進行打分。拒絕樣本因為沒有真實的貸後表現，隻能人為賦予“good”或者“bad”的标簽。通常情況下我們假定拒絕樣本中的bad rate是通過樣本的2-5倍，以此來确定cutoff value。對評分比cutoff value要差拒絕樣本，我們标記這部分樣本為壞樣本。對評分比cutoff value好的拒絕樣本，我們标記為好樣本。然後将有了好壞标記的拒絕樣本重新放回到樣本集中，與通過樣本一起重新訓練一個模型，我們記做final_model。（另一種做法是：得出的模型重新對拒絕樣本評分，并調整cutoff value，重新訓練final_model，重複前面的流程，直至模型參數收斂。）
2.2、Fuzzy augmentation （模糊擴充法）
Fuzzy augmentation方法與Hard-cutoff方法相同的地方都是先将base_model應用在拒絕樣本。不同之處是每個樣本都複制成兩個樣本，其中一個标記為壞樣本，有對應的壞的機率，另一個标記為好，有對應的好的機率。這兩個好與壞的複制樣本重新放回并入到通過樣本集中，好壞機率作為這兩個複制樣本的權重，重新訓練一版模型，得到final_model。
2.3、Parcelling（分段擴充法）
分段擴充法是先在有貸後表現的樣本上模組化，然後分别為通過樣本和拒絕樣本打分，并劃分成适當的分數段（譬如說，20個分數段）。接下來，按照各分數段對拒絕樣本打上好壞樣本标簽。一般來說，拒絕樣本的違約率要高于通過樣本的違約率，可以假定同一分數段内拒絕樣本的違約率是通過樣本的2-5倍。分段之後，按照簡單擴充法中的做法繼續進行。将打好标簽的拒絕樣本和通過樣本重新放在一起模組化，重複以上步驟直至模型參數收斂。