Анкетный скоринг

Материал из MachineLearning.

Статья написана с использованием LLM DeepSeek-V3 и проверена участником ~~Ilia Vdovin~~

Анкетный скоринг (англ. application scoring) — это система математических и статистических моделей, используемая банками и микрофинансовыми организациями для прогнозирования вероятности неисполнения заёмщиком своих обязательств по кредиту на основе данных, предоставленных в заявке-анкете. Анкетный скоринг является первым и одним из ключевых этапов кредитного конвейера; его результат непосредственно влияет на решение о выдаче кредита, сумму и процентную ставку.

Вместе с поведенческим скорингом (анализ транзакционной активности в процессе обслуживания долга) и коллекторским скорингом (оценка эффективности взыскания просроченной задолженности) анкетный скоринг образует триединую систему управления кредитным риском на протяжении всего жизненного цикла ссуды. Однако, в отличие от поведенческих и коллекторских моделей, анкетные карты опираются исключительно на статические признаки, известные до выдачи кредита, что делает их наиболее критичными с точки зрения предотвращения невозвратов.

Содержание 1 Историческая справка 2 Постановка задачи 3 Этапы построения скоринговой карты 3.1 1. Сбор и подготовка данных 3.2 2. Отбор и преобразование признаков 3.3 3. Выбор модели 3.4 4. Обучение и калибровка 3.5 5. Оценка качества 3.6 6. Валидация 3.7 7. Мониторинг и переобучение 4 Ключевые проблемы и способы их решения 5 Регуляторные требования 6 Современные тенденции 7 Заключение 8 Литература 9 Полезные ресурсы

Историческая справка

Идея количественной оценки кредитоспособности зародилась в США в 1940‑х годах. Пионерами считаются инженер Уильям Фэйр (William Fair) и математик Эрл Айзек (Earl Isaac), которые в 1956 году основали компанию Fair, Isaac and Company (ныне FICO). Первая скоринговая карта была разработана для розничного кредитора и основывалась на эвристических весах, назначенных экспертами.

В 1960‑х годах, с развитием вычислительной техники и распространением кредитных карт, скоринг стал массовым. Ключевым прорывом стало использование логистической регрессии, которая обеспечивала статистически обоснованные вероятности дефолта. В 1970‑х годах был принят Закон о равных кредитных возможностях (Equal Credit Opportunity Act, ECOA), запретивший дискриминацию по расовому, половому и другим признакам, что потребовало формализации и документирования всех переменных, используемых в скоринговых картах. С 1990‑х годов скоринговые карты стали обязательным инструментом риск-менеджмента в большинстве стран, а с начала 2000‑х активно внедряются методы машинного обучения.

Постановка задачи

В наиболее распространённой постановке анкетный скоринг представляет собой задачу бинарной классификации с целевой переменной , где:

• соответствует «плохому» заёмщику (дефолт, обычно определяемый как просрочка более 90 дней в течение первых 12–24 месяцев после выдачи);
• — «хорошему» заёмщику (обслуживает кредит в соответствии с графиком).

Пусть — вектор признаков, полученных из анкеты (возраст, доход, образование, трудовой стаж, семейное положение, наличие недвижимости, кредитная история из бюро и т.д.). Требуется построить модель , которая возвращает оценку вероятности дефолта. На основе этой оценки принимается решение: если , то в выдаче кредита отказывают (или предлагают его на ужесточённых условиях), иначе — одобряют. Порог выбирается исходя из бизнес-стратегии и аппетита к риску.

Этапы построения скоринговой карты

Жизненный цикл анкетной скоринговой карты включает следующие обязательные этапы.

1. Сбор и подготовка данных

Исходные данные извлекаются из внутренних банковских систем (заявки, выдачи, платежные календари) и внешних источников (кредитные бюро, государственные реестры). Обязательно проводится:

• Очистка — удаление дубликатов, исправление очевидных ошибок (например, возраст 200 лет).
• Обработка пропусков — используются простые методы (заполнение медианой, модой, средним), а также более продвинутые: создание отдельной категории «нет данных», применение индикаторов пропусков, использование моделей-заменителей (например, k-ближайших соседей для импутации).
• Кодирование категориальных переменных — вместо one-hot-кодирования, которое порождает много разреженных признаков, классическим подходом является использование Weight of Evidence (WoE) и Information Value (IV), о которых сказано ниже.
• Нормализация — для методов, чувствительных к масштабу (например, градиентный спуск), применяется стандартизация или min-max масштабирование.

2. Отбор и преобразование признаков

Ключевой этап в построении классической скоринговой карты — преобразование непрерывных и категориальных переменных в категории с последующей заменой их на веса WoE:

,

где индекс обозначает группу (бакет). Это преобразование обеспечивает монотонность отношения признака к целевой переменной и позволяет работать с немонотонными зависимостями. Информативность признака оценивается через Information Value:

.

Обычно признаки с исключаются как неинформативные, а признаки с считаются очень сильными. Кроме того, для борьбы с мультиколлинеарность используется анализ корреляционной матрицы и вычисление VIF (Variance Inflation Factor). Группировка (бакетирование) выполняется с помощью деревьев решений или методов динамического программирования, обеспечивающих статистическую значимость различий между соседними группами.

3. Выбор модели

Классический подход — логистическая регрессия:

.

Её преимущества: прозрачность, простота интерпретации, малые вычислительные затраты и наличие регуляризации (L1 — Лассо, L2 — гребневая регрессия или ElasticNet). Именно логистическая регрессия остаётся «золотым стандартом» для регуляторов.

Современные альтернативы:

• Деревья решений — интерпретируемы, но склонны к переобучению.
• Случайный лес и градиентный бустинг (XGBoost, LightGBM, CatBoost) — показывают высокую точность, особенно при большом числе признаков и сложных нелинейных зависимостях, однако требуют дополнительных методов для обеспечения интерпретируемости.
• Нейронные сети — применяются при наличии очень больших объёмов данных и множества альтернативных источников (например, текстовые поля или данные с мобильного устройства), но крайне сложны для регуляторного одобрения из-за «чёрного ящика».

На практике часто используют гибридный подход: бустинг используется для выделения сложных паттернов, а финальная карта строится как логистическая регрессия на бустинговых прогнозах или на выходных признаках (например, на весах WoE).

4. Обучение и калибровка

Обучение проводится на исторической выборке, разбитой на обучающую и валидационную (обычно 70%/30%). Из-за сильного дисбаланса классов (доля дефолтов редко превышает 5–10%) применяются:

• взвешивание объектов (class_weight);
• техники семплирования: SMOTE, ADASYN или случайный оверсемплинг/андерсемплинг;
• использование специализированных метрик, не чувствительных к дисбалансу (AUC-ROC, Gini).

Обязательной является калибровка вероятностей, особенно при использовании ансамблевых методов. Для этого применяется калибровка Платта или изотоническая регрессия — это гарантирует, что предсказанные вероятности соответствуют реальным частотам дефолта в каждой группе риска.

5. Оценка качества

Для оценки качества скоринговой карты используются следующие метрики:

• AUC-ROC (Area Under ROC-curve) — способность модели разделять два класса; значение выше 0.75 считается хорошим, выше 0.85 — отличным.
• Коэффициент Джини (Gini) = 2 * AUC — 1.
• KS-статистика (Колмогорова-Смирнова) — максимальное различие между кумулятивными долями хороших и плохих заёмщиков; значение выше 0.3 признаётся удовлетворительным, выше 0.4 — хорошим.
• Калибровочный график (сравнение средней предсказанной вероятности с фактической долей дефолтов в каждом дециле).
• Таблица соответствия (рейтинг-скейл) — перевод вероятностей в целочисленные баллы (например, от 300 до 850), удобные для бизнес-пользователей.

6. Валидация

Валидация включает:

• Кросс-валидацию (k-fold) на обучающей выборке.
• Тестирование на отложенной выборке (hold-out test), не участвовавшей в подборе гиперпараметров.
• Бэк-тестинг (back-testing) — проверку модели на исторических данных за предыдущие периоды, которые не были включены в обучение, чтобы оценить её стабильность во времени.

В соответствии с требованиями Базель III и указаниями Центрального банка, валидация должна проводиться независимой командой (не разработчиками модели), а результаты документироваться в отчёте о валидации.

7. Мониторинг и переобучение

После внедрения скоринговая карта требует постоянного мониторинга:

• Стабильность популяции — отслеживание индекса стабильности совокупности (Population Stability Index, PSI) для каждого признака и для общего скора. При PSI > 0.25 требуется глубокая перекалибровка.
• Дрейф признаков — сравнение распределений признаков на текущем потоке заявок с обучающей выборкой.
• Анализ ошибок — вычисление фактической частоты дефолтов по каждому децилю прогнозной вероятности.

Периодичность переобучения (рефреша) обычно составляет 6–12 месяцев, однако при резких изменениях макроэкономической ситуации может потребоваться экстренная перекалибровка.

Ключевые проблемы и способы их решения

• Дисбаланс классов решается не только взвешиванием, но и использованием скоринговых метрик (например, AUC) вместо accuracy, а также применением методов генерации синтетических объектов.
• Пропуски в данных — важно не удалять объекты с пропусками, так как сам факт отсутствия информации часто несёт прогностическую силу. Поэтому используют индикаторные переменные (dummy для пропусков) и заполнение значениями, рассчитанными по аналогичным заёмщикам.
• Мультиколлинеарность и переобучение контролируются регуляризацией, отбором признаков по IV и VIF, а также ограничением сложности модели (например, максимальная глубина дерева в бустинге).
• Интерпретируемость остаётся главным препятствием для внедрения сложных моделей. Регулятор (в том числе ЦБ РФ) требует, чтобы банк мог объяснить клиенту причину отказа или изменения условий. Для этого используются глобальные и локальные методы объяснения: SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations), а также визуализация важности признаков (например, барчаты). В идеале модель должна быть монотонной по экономически значимым признакам (например, чем выше доход — тем ниже риск), что часто достигается специальными ограничениями при обучении.

Регуляторные требования

В России основным документом является Положение Банка России № 590-П (о порядке формирования резервов) и методические рекомендации по внутренним моделям оценки кредитного риска. Банки, использующие продвинутые подходы (IRB), обязаны проходить строгую валидацию моделей, включая стресс-тестирование. Базельский комитет по банковскому надзору в документе «Guidelines on credit risk modelling» (2020) требует:

• прозрачности всех этапов построения;
• независимой валидации;
• документирования всех ограничений модели;
• регулярного мониторинга и отчёта перед советом директоров.

Несоблюдение этих требований может привести к повышению нормативных резервов и, как следствие, к убыткам.

Современные тенденции

1. Альтернативные данные — использование цифрового следа (поведение в интернете, история мобильных платежей, геолокация) для скоринга клиентов, не имеющих традиционной кредитной истории. Это позволяет расширить финансовую доступность, однако требует осторожности с точки зрения приватности и регуляторных ограничений.

2. Объяснимый ИИ (XAI) — разработка методов, совмещающих высокую точность бустинга с полноценной интерпретируемостью, например, деревья решений с монотонными ограничениями и модели на основе правил.

3. Автоматизированное машинное обучение (AutoML) — инструменты для автоматического подбора моделей, гиперпараметров и преобразований признаков, позволяющие ускорить разработку скоринговых карт и снизить порог входа для небольших банков.

4. Непрерывный мониторинг с использованием онлайн-обучения — при большом потоке заявок (например, 10 тыс./день) возможно использование моделей, обновляющихся в реальном времени с использованием стохастического градиентного спуска.

Заключение

Анкетный скоринг остаётся фундаментальным инструментом управления кредитным риском. Несмотря на стремительное развитие машинного обучения, на практике доминирует гибридный подход, сочетающий статистическую надёжность логистической регрессии с прогностической силой ансамблевых методов. Главными вызовами на ближайшие годы являются сохранение интерпретируемости при усложнении моделей, адаптация к нестабильной макроэкономической среде и соблюдение регуляторных требований. Дальнейшее развитие скоринга будет связано с интеграцией поведенческих данных на этапе анкетирования, использованием графовых нейросетей для учёта связей между заёмщиками и переходом к непрерывной калибровке моделей в режиме реального времени.

Литература

1. Thomas, L.C., Edelman, D.B., & Crook, J.N. (2002). Credit Scoring and Its Applications. SIAM. — Классический учебник по скорингу, охватывающий статистические методы и практику.
2. Siddiqi, N. (2017). Intelligent Credit Scoring: Building and Implementing Better Credit Risk Scorecards. Wiley. — Подробное руководство по построению скоринговых карт, включая WoE, IV и логистическую регрессию.
3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. — Главы, посвящённые регуляризации, деревьям и ансамблям.
4. Basel Committee on Banking Supervision (2020). Guidelines on credit risk modelling and stress-testing. BIS. — Основной регуляторный документ.
5. Molnar, C. (2022). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. Leanpub. — Практическое руководство по SHAP, LIME и другим методам интерпретации.

Полезные ресурсы

• Официальный сайт FICO — кейсы и материалы по скорингу.
• Руководство по скорингу от Experian — образовательные статьи.
• Библиотека scikit-learn: калибровка и метрики — реализация на Python.
• Материалы Банка России по скорингу — нормативные документы и рекомендации.
• Открытый курс «Введение в кредитный скоринг» на Kaggle — практические ноутбуки.

Полный промпт, использованный при создании этой статьи, доступен на странице обсуждения.