Кратко описал для FutureBanking использование макроданных в скоринге - в целом главное то, что данные могут значительно улучшать точность моделей.

Вот ключевая ссылка по китайским данным, если захотите посмотреть:

https://www.sciencedirect.com/science/article/abs/pii/S1567422321000673

#Scoring #Forecasts

Прекрасное открытие в скоринговых моделях 😂 (статья август 2023 по данным бразильских фирм):

"Because the population of loans is not homogeneous across banks, segmented models may provide estimates that are more suited to different segments of the population. The insights of our model risk measure allow us to challenge the generally accepted assumption that more data (i.e., a larger number of observations) will lead to better quality inferences."

То есть: оценки, которые можно сделать на выборках в индивидуальных банках, могут оказаться лучше, чем модели на объединённой выборке всех банков. Это свойство "не-гомогенности", то есть существенной разницы характеристик компаний в разных банках, мешает сработать лучше с более широким набором данных.

И в целом интересная статья про "модельный риск". Вероятность того, что удалось сделать "идеальный набор переменных с идеальной оценкой связей", всегда нулевая. Надо как-то ловить проблемы, связанные с неточностями моделей, и авторы показывают, как это можно сделать через скалярную метрику.

(А читать эти статьи можно тут: https://yangx.top/workingpaper)

#Scoring #AI #Banks #Firms