Bons livros / artigos sobre pontuação de crédito

Estou procurando recomendações de livros sobre pontuação de crédito. Estou interessado em todos os aspectos desse problema, mas principalmente em: 1) Bons recursos. Como construí-los? Quais provaram ser bons? 2) Redes neurais. Sua aplicação ao problema de pontuação de crédito. 3) Escolhi redes neurais, mas também estou interessado em outros métodos.

Se você é novo no mundo da pontuação, seu primeiro livro deve ser naeem siddiqi sobre pontuação de crédito usando SAS. Se você não participou da aula, vá em frente. O foco principal da classe é o entendimento geral de pontuação e venda de minerador empresarial SAS por milhões de dólares.

Se você precisar de teoria, precisará de uma análise de dados categórica e de uma classe de mineração de dados de uma universidade próxima. Mesmo depois de assistir a essas aulas, você ainda precisará de ajuda.

Atualmente, as técnicas mais populares usadas são

1. regressão logística
2. redes neurais
3. máquinas de vetores de suporte e
4. florestas aleatórias

agrupamento, análise discriminante, análise fatorial, componentes principais também são obrigatórios.

A pontuação de crédito por Elizabeth Mays também fornecerá uma boa visão geral.

Também participei de uma aula de modelagem de risco de crédito do instituto SAS, o que me ajudou um pouco. É um processo de aprendizado constante e nunca realizado.

As pessoas bayesianas também gostam de seus métodos.

Editar

Eu também esqueci de mencionar. Regressão logística na técnica mais popular por aí e sempre será a que os bancos continuarão usando. É muito difícil vender outros métodos para o pessoal da alta gerência, a menos que seu banco esteja disposto a se importar menos com a compreensão desses métodos e o foco deles permaneça assumindo riscos e gerando dinheiro.

Eu trabalho no campo de pontuação de crédito. Embora eu goste de explorar abordagens diferentes, acho que a regressão logística geralmente é boa o suficiente, se não a melhor abordagem. Não examinei os artigos mais recentes sobre o assunto, mas, na maioria dos artigos, você verá que outras abordagens, como o modelo de redes neurais, geralmente não oferecem elevação significativa em termos de poder preditivo (conforme medido por GINI e AR). Além disso, esses modelos tendem a ser muito mais difíceis de entender para um leigo (geralmente os executivos mais seniores não têm formação em estatística), e a abordagem do scorecard usando regressão logística parece oferecer os modelos mais fáceis de explicar. É verdade que a maioria dos scorecards não leva em consideração as interações,

Dito isto, houve recentemente alguns interesses na construção de scorecards usando técnicas de análise de sobrevivência, uma vez que possui algumas vantagens sobre a regressão logística. Ou seja, podemos incorporar mais facilmente fatores macroeconômicos no modelo, podemos usar dados mais recentes na construção do modelo em vez de ter que confiar nos dados há pelo menos 12 meses atrás (como o indicador binário em logística é geralmente definido como padrão dentro do modelo). próximos 12 meses). A esse respeito, minha tese poderia oferecer outra perspectiva, na medida em que explora a criação de scorecards de crédito usando análise de sobrevivência. Eu mostrei como os scorecards de análise de sobrevivência "parecem e se sentem" da mesma forma que os scorecards de regressão logística; portanto, eles podem ser introduzidos sem causar muitos problemas.

Na minha tese, também descrevi o algoritmo ABBA, que é uma nova abordagem para variáveis ​​binning.

https://www.google.com.sg/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CDAQFjAA&url=http%3A%2F%2Fftpmirror.your.org%2Fpub%2Fwikimedia%2Fimages 2Fwikipedia% 2Fcommons% 2F2% 2f2f% 2FAbout_Time _-_ Building_Credit_Scorecards_with_Survival_Analysis.pdf & ei = 8D8MUorrJs2Trgf56YCwCQ & USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g & SIG2 = kcEvjUUcn_wT93igxpYYDA & bvm = bv.50768961, d.bmk

Atualização: Não afirmo se minha tese é boa. É apenas outra perspectiva de um profissional em campo.

• Mencionei o Guide to Credit Scoring in R de D. Sharma no passado e é uma boa referência introdutória sobre abordagens, incluindo regressão logística e métodos baseados em árvore.
• O guia acima usa os dados de crédito alemães, que possuem um rico conjunto de recursos. Se você procurar o conjunto de dados, encontrará outras abordagens, análises e comparações alternativas que podem ajudar a informar a seleção de recursos e a escolha do modelo para o seu conjunto de dados.
• As redes neurais são uma escolha justa para um problema de classificação binária como este. No mundo real, também é esperado que um modelo de pontuação de crédito forneça razões pelas quais um pedido de empréstimo (por exemplo) foi rejeitado. Portanto, ajuda a ter um modelo no qual você possa identificar quais recursos no histórico de crédito de uma pessoa resultam em uma baixa pontuação de crédito e fazem com que um aplicativo seja negado. Recursos em abordagens de regressão e baseadas em árvore são mais fáceis de interpretar em comparação com redes neurais. Se você está avaliando apenas o ajuste, NN vale a pena tentar