Электронная библиотека
Φ- и Ψ-преобразования, повышающие дискриминирующую силу немонотонных переменных скоринговой модели
Помазанов М.В.
|
|
||
1 |
Введение | |
2 |
Рис. 1. Выпуклая ROC-криваяРис. 2. Невыпуклая ROC-кривая | |
3 |
Рис. 3. WOE-преобразование: веса бинов трансформации (переменная — торговые точки, малый и средний бизнес)Рис. 4. WOE-преобразование: веса бинов трансформации (переменная — среднемесячный баланс свободных средств, малый и средний бизнес) | |
4 |
ROC-кривая скоринговой переменной: численные критерии невыпуклости | |
5 |
Φ- и ψ-преобразования | |
6 |
Рис. 5. Преобразования Φ и ΨДемонстрация «лечения вмятин» ROC-кривой на практических примерах | |
7 |
Заключение | |
8 |
Рис. 7. Φ-преобразовани е | |
10 |
ПРИЛОЖЕНИЕ 1. Подходы к квантильной нормализации переменных модели | |
11 |
ПРИЛОЖЕНИЕ 2. Доказательство теоремы об оптимальных значениях Φ- и Ψ-преобразований | |
13 |
Литература |
1. Сорокин А.С. Пост роение скоринговых кар т с использованием модели логистической регрессии. — Подробнее .
2. Navas-Palencia G. Optimal Binning: Math ematical Programming Formulation. — Подробнее .
3. Thomas L.C., Edelman D.B., Crook J.N. ( 2002). Credit Scoring and Its Applications. Philadelphia, PA: Society for Industrial and Applied Mathematics.
4. Kerber R. (1992). ChiMerge: Discretizat ion of Numeric Attributes. — Подробнее .
5. Breiman L., Friedman J., Olshen R., Sto ne C. (1984). Classification and Regression Trees. New York: Routledge.
6. Fayyad U.M., Irani K.B. (1993). Multi-I nterval Discretization of Continuous-Valued Attributes for Classification Learning. — Подробнее .
7. Hothorn T., Hornik K., Zeileis A. (2006 ). «Unbiased recursive partitioning: a conditional inference framework». Journal of Computational and Graphical Statistics, Vol. 15(3), pp. 651–674.
8. Siddiqi N. (2005). Credit Risk Scorecar ds: Developing and Implementing Intelligent Credit Scoring. New York: Wiley.
9. Помазанов М.В. ROC-анализ и калибровка скоринговых моделей на основе метрик точности второго порядка // Управление финансовыми рисками. — 2021. — №2. — С. 100–121.
10. Hanley J.A., McNeil B.J. (1982). «The meaning and use of the area under a receiver operating characteristic (ROC) curve». Radiology, Vol. 43(1), pp. 29–36.
11. Pomazanov M.V. (2021). Second-Order Accuracy Metrics for Scoring Models and Their Practical Use. — Подробнее .
12. Bamber D. (1975). «The area above the ordinal dominance graph and the area below the receiver operating characteristic graph». Journal of Mathematical Psychology, Vol. 12(4), pp. 387–415.
13. Помазанов М.В. Маржинальный экономичес кий эффект от повышения качества моделей рейтингования заемщиков банка // Финансовый менеджмент. — 2018. — №4. — С. 96–109.
14. Pepe M.S., Cai T., Longton G. (2006). «Combining predictors for classification using the area under the receiver operating characteristic curve». Biometrics, Vol. 62(1), pp. 221–229.
15. Miura K., Yamashita S., Eguchi S. (201 0). «Area under the curve maximization method in credit scoring». Journal of Risk Model Validation, Vol. 4(2), pp. 3–25.
16. Eguchi S., Copas J. (2002). «A class o f logistic-type discriminant functions». Biometrika, Vol. 89(1), pp. 1–22.
Помазанов Михаил Вячеславовичк. ф.-м. н.
доцент
Доцент факультета экономических наук Школы финансов Национального исследовательского университета «Высшая школа экономики». г. Москва
