FICO'nun Eski Baş Bilimcisi: Teknolojinin Evrimi ve Risk Kredi Modelinin Geleceği
Finans sektörünün temel taşı olarak, kapsayıcı finansmanın gelişimi için kredi raporlaması apaçık ortadadır. Son 100 yılda olan Amerikan kredi raporlama pazarı ile karşılaştırıldığında, Çin'in kredi raporlama endüstrisi olgun olmaktan uzaktır ve kişisel kredi raporlama lisansları henüz uygulanmamıştır. Dağın taşı yeşim taşı için kullanılabilir. Şu anda, Amerikan kredi raporlama devi FICO, baypas edilemeyen tipik bir araştırma vakasıdır.
Geçtiğimiz günlerde Paipaidai tarafından düzenlenen 2018 Akıllı Finans Zirvesi Forumunda, FICO'nun eski baş bilim adamı ve büyük veri riski karar verme alanında dünya çapında bir lider olan Dr. Joseph Milana, "Risk Kredi Modellerinin Tarihi ve Beklentileri" temasını paylaştı.
Risk kredisi modeli, kredi vermenin ön şartıdır. Dr. Joseph Milana, Amerika Birleşik Devletleri'nde son 15 yıldaki en büyük borçlanmanın bir ipotek olduğunu söyledi. 2009'daki Büyük Buhran'ın nedenlerinden biri, gecikmiş kredilerin oranının çok yüksek olması ve risk modellemesine vurgu yapılmamasıydı. "O zamanlar, birçok risk değerlendirme ilkesi herkes tarafından terk edilmişti. Bu nedenle, o dönemde çok sayıda sorunlu kredi üretildi. Bu ters seçimdir. Kredi çeken, kredisi kötü insanlardır. Bundan sonra, ABD finans piyasası daha fazla ilgi göstermeye başladı ve iyi bir risk değerlendirme mekanizması kurdu. Leifeng.com'a göre, şu anda, takipteki krediler yönetilebilir bir düzeye geri döndü.
Lei Feng.com tarafından orijinal niyeti değiştirmeden düzenlenen konuşmanın orijinal metni aşağıdadır:
FICO'nun evrim tarihi
FICO, 1956 yılında operasyonel araştırma konusunda uzmanlaşmış bir danışmanlık şirketi olarak kuruldu. 1958'de FICO kredi puanlamasını icat etti. 1970'lerde Amerika Birleşik Devletleri Kongresi, Adil Kredi Puanlama Yasasını çıkardı. Yönetmelikler, kredileri değerlendirirken bilgilerin doğru olmasını gerektiriyor. Diğer bir özellik ise, bir ret kararı verilirse, kararın yorumlanabilir olması gerektiğidir. 1974'te Eşit Kredi Fırsatı Yasası yürürlüğe girdi.Adaletli olmalı ve kredi cinsiyete veya ırka değil yeteneğe göre değerlendirilmelidir. 1975'te FICO, mevcut müşterilerin kredi riskini tahmin etmek için ilk sistemi geliştirdi. Kredi kartı kullanma alışkanlığı gibi mevcut davranışlarına göre kişilerin kredi riskini değerlendirir. FICO 1987'de halka açıldı. Sorunları çözmeye yardımcı olmak için sinir ağlarını veya beynin çalışma mekanizmasını kullanan ticari bir çözüm yaratmak istiyorlar.
1989'da FICO, evrensel bir kredi değerlendirme mekanizmasının başlangıcı olan kendi FICO kredi puanlama mekanizmasını başlattı. Şimdi bu mekanizma, Amerika Birleşik Devletleri'ndeki tüketiciler için evrensel puanlama mekanizması haline geldi.
2001 yılında myFico.com web sitesi açıldı ve tüketiciler FICO puanlarını kendileri sorgulayıp yönetebilirler. MyFico, tüketicilerin kredi geçmişi, ödeme geçmişi, son krediler vb. Gibi kredi puanlarının değerlendirme unsurlarını anlamasına olanak tanır.
2003 yılında, tüketicileri kredi departmanı tarafından sağlanan kredi puanlarını anlamaya ve tüketicilerin kredi puanlarını görebilmeleri için daha güçlü bir kredi şeffaflığı ile anlamaya zorlayan FACTA Yasası kabul edildi.
2009 yılında, FICO puanlarının yaygınlığı nedeniyle şirket adını "FICO" olarak değiştirdi. Şu anda, dünya çapında 2,5 milyar kredi kartı FICO derecelendirmeleriyle korunmaktadır.
Hükümet düzenlemelerinin kredi modeli üzerinde büyük etkisi var
Bu süreçte, hükümet düzenlemeleri kullanılan model türlerini büyük ölçüde etkiledi. Örneğin, 1970'lerde kabul edilen FCRA Yasası, herhangi bir zamanda verilen herhangi bir ret kararının açıklanmasını gerektirmektedir. Doğrusal bir model kurarak neden bu kadar olumsuz bir kredi kararı aldığımızı açıklıyoruz.
İkinci tasarı, cinsiyet, ırk ve dini bilgiler gibi tüketici bilgilerinin kullanılmasını yasaklayan ECOA tasarısı olarak adlandırılır. Bu faktörler modele gömülemez, ekleyebileceğimiz boyut posta kodu bilgileridir. Dolandırıcılık tespiti gerekmediğinden, bunun için doğrusal olmayan bir model kullanılabilir.
Ayrıca bazı ek yasal zorunluluklar vardır.Örneğin yaş değişikliğine göre puanın değiştirilmesi gerekir yani kredi başvurusunda bulunan kişinin yaş değişikliği ile puanını zamanında güncellemesi gerekir.Yanıt yöntemimiz İzotonik Regresyon (İzotonik Regresyon) ( Lei Feng.com Not: Sırayı koruyan regresyon, bir regresyon algoritmasıdır. Sınırlı bir gerçek sayı kümesi için Y, gözlemlenen yanıtı temsil eder ve X seti, bilinmeyen yanıt değerini temsil eder. Bir minimizasyon fonksiyonunu bulmak için uydurma.)
Peki olumsuz yorumları nasıl açıklarız?
İnsanlar modelin nasıl yorumlandığına daha çok dikkat ediyor. FICO, girdi değişkenlerini ve bazı ilgili olasılık değerlerini içeren çok açık bir yöntem-doğrusal model kurmaya başladı. Bu fonksiyon olasılıkla bağlantılı olmalıdır. Lojistik regresyon ve olasılık arasındaki ilişki, modelleme sırasında dikkate alınmalıdır. Bir kişinin neden kötü bir puan aldığı, değişkenlerin nasıl oluşturulduğuna, negatif değişkenlere ne tür değişkenlerin veya faktörlerin katkıda bulunacağına veya nispeten düşük puanlara sahip değişkenlere bağlıdır.
Öncelikle bu ölçek kaldırılmalıdır çünkü bu lineer bir modeldir, burada ölçeği kaldırmaya gerek yoktur ama yine de çözümü gerektiren sinir ağı için çok önemlidir. Ardından ortalama değeri çıkarın ve puanı yeniden değerlendirin. Doğrusal modele en çok hangi değişkenin katkıda bulunduğunu analiz edin.İki değişkenin birbiriyle ilişkili olması mümkündür.Örneğin, gelir ve maliyet olmak üzere iki değişken varsa, gelir eksi maliyet tüketicinin karını alacaktır. Yalnızca gelire veya maliyete bakarsanız, değerlendirmenin sonuçları çok eksik olabilir. Dolayısıyla çözüm, tüm anlamlı ve yorumlanabilir değişkenleri alt kümelere koymak, toplam model katkılarını toplam alt kümeler miktarına göre sıralamak ve daha anlamlı veya yorumlanabilir bir alt küme oluşturmaktır. Bu, doğrusal modelin bir açıklamasıdır.
Doğrusal olmayan modele gelince, doğrusal modelden oldukça farklı bir sinir ağı kullanıyoruz. Sinir ağları doğrusal modellere dayanmaz, bu gizli düğümlerin birçok katmana sahip olduğu anlamına gelmez, ancak tek katmanlı da olabilirler. Çıktı modelinde, girdinin ne olduğuna karar vermelisiniz. Bunu belirlemenin iki yolu vardır:
Birincisi, her alt kümedeki tüm değişkenleri ortalama değerlere ayarlamaktır. Hepsi ortalama değerler ise, yeni değişkeni ortalama değerle karşılaştırın Böyle bir alt küme toplam puanda çok büyük bir değişime sahip olacaktır.Toplam puandaki değişime göre sıralanabilir.Günümüzde daha çok kullandığımız model budur.
İkinci yöntem, ayrı bir model uygulamaktır. Her seferinde bir alt küme silinir ve ardından ayrı bir model oluşturulur ve ardından ayrı modele göre puanlanır.Son olarak, alt kümede, model değişikliğine en büyük katkıyı hangi değişkenin yapacağı ve analiz edin.
Kredi modelinin diğer alanlarda uygulanması
Kredi analizindeki uygulamasına ek olarak, kredi modelleri başka alanlarda da rol oynayabilir. 1970'lerde ve 1980'lerde sigorta endüstrisi bunu müşteri riskini analiz etmek için kullandı.Risk uygulamasını çok iyi anlatan "Sarhoşlar Yürüyüşü Hayatımızı Nasıl Etkiler" adlı bir kitap var. Diğer bir örnek, telekomünikasyon ağlarındaki risklerin ve arızaların nasıl azaltılacağıdır. Ve hacker saldırılarını önlemek için ağ güvenliğine uygulandığında, bazı sızma testleri ve ağdan nasıl bilgi çıkarılması gerektiği risk modellemesi yaptığımızda çok fazla katkı sağlayabileceğimiz alanlardır. Teknik konular çok ilginç. Bazen veriler etiketlenmiyor ve ağın işgal edilip edilmediğini bilmiyorsunuz. Onu dengelemeliyiz. Etiketli ve etiketlenmemiş (veri kümeleri) arasında bir denge olmalı. Denetimli ve denetimsiz arasında bir denge olmalı.
