申请评分模型拒绝推断（RI）方法
文章目录
- 申请评分模型拒绝推断（RI）方法
-
- 1、拒绝推断评分卡建模流程
- 2、拒绝推断的方法汇总（简化版）
-
- 1、Simple Assignment（分配赋值法）
- 2、Augmentation
-
- 2.1、Simple augmentation （Hard-cutoff，简单扩展法）
- 2.2、Fuzzy augmentation （模糊扩展法）
- 2.3、Parcelling（分段扩展法）
1、拒绝推断评分卡建模流程
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、拒绝推断的方法汇总（简化版）
拒绝推断是对一种非随机性缺失（MNAR）的数据处理形式，概况来说有两种处理技术：分配法和增强法。这两种方法，一种依赖经验，一种依赖算法：
在一些机构当中，为了较准确推断出拒绝样本中的好坏分布，会采用下探法。也就是说在生产环境中某一段时间内，接受所有申请，积累全量客户（但被规则拒绝的仍然会被拒绝），或者将模型评分cutoff value下移，让更多的的申请通过。待该批客户有了贷后表现后选择全量样本进行建模。这种通过放松拒绝比准的下探法需要机构承受较大的坏账损失，通过增加坏账成本获取更多数据。 实际生产环境表明，增量下探方法对改善模型的效果比较明显。
1、Simple Assignment（分配赋值法）
赋值法是指通过查询拒绝样本的外部贷款数据或人工的方法，为拒绝样本打上好坏标签。如果发现拒绝客户在其他机构发生违约行为或被打上各种风险标签，则通过规则直接对客户进行好坏样本标记。如果数据采集的成本不高，采集难度不大，这种方法可行且有效。
2、Augmentation
2.1、Simple augmentation （Hard-cutoff，简单扩展法）
Hard-cutoff方法首先是使用有贷后表现的通过样本训练出来base_model，然后对拒绝样本进行打分。拒绝样本因为没有真实的贷后表现，只能人为赋予“good”或者“bad”的标签。通常情况下我们假定拒绝样本中的bad rate是通过样本的2-5倍，以此来确定cutoff value。对评分比cutoff value要差拒绝样本，我们标记这部分样本为坏样本。对评分比cutoff value好的拒绝样本，我们标记为好样本。然后将有了好坏标记的拒绝样本重新放回到样本集中，与通过样本一起重新训练一个模型，我们记做final_model。（另一种做法是：得出的模型重新对拒绝样本评分，并调整cutoff value，重新训练final_model，重复前面的流程，直至模型参数收敛。）
2.2、Fuzzy augmentation （模糊扩展法）
Fuzzy augmentation方法与Hard-cutoff方法相同的地方都是先将base_model应用在拒绝样本。不同之处是每个样本都复制成两个样本，其中一个标记为坏样本，有对应的坏的概率，另一个标记为好，有对应的好的概率。这两个好与坏的复制样本重新放回并入到通过样本集中，好坏概率作为这两个复制样本的权重，重新训练一版模型，得到final_model。
2.3、Parcelling（分段扩展法）
分段扩展法是先在有贷后表现的样本上建模，然后分别为通过样本和拒绝样本打分，并划分成适当的分数段（譬如说，20个分数段）。接下来，按照各分数段对拒绝样本打上好坏样本标签。一般来说，拒绝样本的违约率要高于通过样本的违约率，可以假定同一分数段内拒绝样本的违约率是通过样本的2-5倍。分段之后，按照简单扩展法中的做法继续进行。将打好标签的拒绝样本和通过样本重新放在一起建模，重复以上步骤直至模型参数收敛。