Математические модели кредитного скоринга и оценка вероятности дефолта

Абсолютным отраслевым стандартом и самым интерпретируемым математическим инструментом скоринга является логистическая регрессия (Logistic Regression). В отличие от линейной регрессии, она моделирует не саму целевую переменную (факт дефолта), а логарифм шансов дефолта (Log-Odds): $\ln(p/(1-p)) = \beta_0 + \beta_1 x_1 + \dots + \beta_n x_n$. Решение этого уравнения относительно вероятности $p$ дает сигмоидную функцию, значения которой строго лежат в диапазоне от 0 до 1. Параметры $\beta_i$ оцениваются методом максимального правдоподобия (Maximum Likelihood Estimation, MLE), который ищет коэффициенты, максимизирующие вероятность получения той выборки наблюдений, которая имеется у банка.

Для обеспечения стабильности и интерпретируемости модели перед обучением применяется строгий математический подход к трансформации признаков (Feature Engineering). Непрерывные переменные (например, возраст или доход) разбиваются на дискретные корзины, для каждой из которых вычисляется показатель Weight of Evidence (WoE) — логарифм отношения доли "хороших" заемщиков к доле "плохих" в этой корзине. Замена исходных значений на WoE линеаризует зависимости и максимизирует информационную ценность (Information Value, IV) каждого фактора. Модели на базе WoE легко преобразуются в классические скоринговые карты, где каждому ответу клиента присваивается точное количество баллов, сумма которых и есть итоговый Score.

Проверка качества (валидация) скоринговой модели является не менее сложной математической задачей. Базовой метрикой выступает площадь под ROC-кривой (ROC AUC) и эквивалентный ей коэффициент Джини (Gini Index), который измеряет способность модели разделять классы дефолтных и недефолтных заемщиков независимо от выбранного порога отсечения. Для проверки стабильности модели во времени используется Population Stability Index (PSI), который статистически оценивает, насколько распределение баллов новых клиентов отклонилось от распределения обучающей выборки. Если PSI превышает критический порог (обычно 0.25), модель признается деградировавшей и требует переобучения.

Современные тенденции в кредитном скоринге (особенно в финтех-компаниях) включают использование сложных нелинейных моделей: градиентного бустинга над деревьями решений (XGBoost, LightGBM) и глубоких нейронных сетей. Эти алгоритмы способны улавливать скрытые взаимодействия между признаками (например, транзакционными данными по картам или логами поведения в мобильном приложении). Однако, в соответствии с требованиями Базельских стандартов, банки обязаны доказывать интерпретируемость моделей (Explainable AI, XAI), поэтому применение SHAP-значений (основанных на теории кооперативных игр и векторе Шепли) стало математической необходимостью для легализации методов машинного обучения в кредитном риск-менеджменте.

Список литературы:
1. Thomas L.C., Edelman D.B., Crook J.N. Credit Scoring and Its Applications. — SIAM, 2002.
2. Anderson R. The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation. — Oxford University Press, 2007.
3. Базельский комитет по банковскому надзору (BCBS). International Convergence of Capital Measurement and Capital Standards. — 2004.
Эксперты: Лин Томас, Рэймонд Андерсон, Джонатан Крук.