кредитный скоринг.

Мы думали, что в скоринге важен размер выборки. Оказалось, что дело в числе дефолтов

Сравниваем TabPFN-2.5 и CatBoost на банковских данных и считаем, сколько стоит выигрыш в качествеКогда я начинал эксперимент, гипотеза была простой: чем больше заявок в обучении, тем лучше модель. Это звучит очевидно, однако данные показали другое.Возьмём три набора для обучения, в каждом из которых ровно 500 дефолтных заявок. В первом всего 2 000 заявок (25% дефолтных), во втором 5 000 (10%), в третьем 50 000 (1%). CatBoost на них показывает почти одинаковое качество: ROC AUC 0,683, 0,681 и 0,686. Размер выборки отличается в 25 раз, а результат тот же. Совпало только число дефолтов.

продолжить чтение

Модель с AUC ниже заработала больше — пока отсечка стояла по скору

Две модели кредитного скоринга на открытых данных Home Credit. У модели A AUC выше, у модели B — ниже. При обычной отсечке «одобряем лучшие x %» B зарабатывает на 113 млн больше, и это не шум: B впереди в 200 из 200 бутстрэп-выборок. Как только решение принимается по каждому кредиту — откалиброванная PD × сумма × срок, — разрыв исчезает, а обе модели зарабатывают больше, чем при любой отсечке по скору. Ниже — почему так, сколько это стоит и что из этого следует для того, кто подписывает кредитную политику.

продолжить чтение

Почему слабым местом кредитного конвейера может оказаться не только ставка, но и плохой OCR

Привет, Хабр! Кредиты и все, что с ними связано – тема для многих весьма чувствительная. Мы в Smart Engines выступаем за то, чтобы сделать самые раздражающие процессы удобными и быстрыми. И в этом смысле распознавание документов – это редкий пример технологии, где интересы банка (сократить издержки), сотрудника (меньше рутины) и клиента (не ждать решение неделями) действительно совпадают. Под катом рассказываем, как автоматическое распознавание документов может трансформировать процесс кредитования в банках и как такие технологии становятся ключевым звеном кредитного конвейера.

продолжить чтение

Общая нейросетевая модель с кросс-модульным взаимодействием для кредитного скоринга физических лиц

Всем привет! На связи снова команда прикладных исследований Альфа-Банка. Эта статья является третьей, и последней, в серии статей, посвященной нейросетевым подходам к решению задачи кредитного скоринга физических лиц в Альфа-Банке. Первые две статьи:Базовые нейросетевые модели для кредитного скоринга физических лицГрафовые нейросети для прогноза дефолта физических лиц: как мы попробовали новый подход и не прогадали

продолжить чтение

Базовые нейросетевые модели для кредитного скоринга физических лиц

Всем привет! Мы команда прикладных исследований и разработки моделей глубокого обучения Альфа-банка. В этой статье мы хотели бы рассказать о наших самых актуальных разработках в области нейросетевых подходов к решению задачи кредитного скоринга физических лиц. Ранее мы уже писали на эту тему:Нейросетевой подход к моделированию карточных транзакцийНейросетевой подход к моделированию транзакций расчетного счета

продолжить чтение

Автоматизация банков и финансовых организаций

Современные банки и другие финансовые организации испытывают потребность в автоматизации с помощью цифровых инструментов. Выполнения рутинных задач программным обеспечением позволяет минимизировать риск человеческих ошибок при расчете процентов по вкладам, проверке кредитных историй, управлении документацией. Основным инструментом цифровизации банков являются Автоматизированные банковские системы (АБС). С ними, в свою очередь, связаны цифровые продукты и сервисы, предназначенные для оптимизации бизнес-процессов.Для чего оптимизировать банковскую и финансовую организацию?

продолжить чтение