Možnosti redukce výběrového zkreslení v ratingových modelech

Josef Ditrich

Doctoral thesis

Selection Bias Reduction in Credit Scoring Models

Abstract:

Využití ratingových modelů je dnes ve finančním sektoru již běžnou praxí. Oblast kredit skóringu představuje důležitou složku pro udržení ziskovosti i transparentnosti celého procesu poskytování úvěrů. Při objemech, s nimiž poskytovatelé úvěrů běžně pracují, představuje i nepatrné zlepšení diskriminační a predikční schopnosti používaných modelů významné dodatečné zisky. Přestože skóringové modely jsou aplikovány na celou populaci žadatelů o úvěr, jsou pro jejich tvorbu či úpravu stávajících rozhodovacích pravidel obvykle využívány pouze informace těch žadatelů, kterým byl úvěr poskytnut a bylo u nich tedy možné pozorovat platební disciplínu. Tento nesoulad vede ke zkreslení způsobeném zamítnutými žadateli, či obecněji k výběrovému zkreslení. Metody snažící se zmíněný jev odstranit či alespoň zmírnit se souhrnně označují pojmem reject inference. Tyto metody se snaží odhadnout chování zamítnutých žadatelů nebo o nich získat dodatečné informace. Disertační práce je věnována metodě otevřených dveří, která je založena na náhodném poskytování úvěrů i žadatelům, kteří by byli za normálních okolností zamítnuti. Jelikož je metoda náročná nejen časově, ale zejména finančně, zkoumal jsem způsoby, jak snížit náklady na pořízení dodatečných informací o zamítnutých žadatelích. Výsledkem je navržení její modifikace, kterou jsem pojmenoval metoda pootevřených dveří. Na reálné bankovní databázi jsem otestoval dvě možné třídící proměnné, které metoda vyžaduje a výsledky porovnal s původní verzí metody. Bylo ukázáno, že oba testované způsoby výběru žadatelů umožnily snížit nákladnost metody otevřených dveří při zachování vysoké přesnosti skóringových modelů.

Abstract:

Nowadays, the use of credit scoring models in the financial sector is a common practice. Credit scoring plays an important role in profitability and transparency of lending business. Given the high credit volumes, even a small improvement of discriminatory and predictive power of a credit scoring model may provide a substantial additional profit. Scoring models are applied on the through-the-door population, however, for creating them or adjusting already existing credit rules, it is usual to use only the data corresponding to accepted applicants for which payment discipline can be observed. This discrepancy can lead to reject bias (or selection bias in general). Methods trying to eliminate or reduce this phenomenon are known by the term reject inference. In general, these methods try to assess the behavior of rejected applicants or to obtain an additional information about them. In the dissertation thesis, I dealt with the enlargement method which is based on a random acceptance of applicants that would have been rejected. This method is not only time consuming but also expensive. Therefore I looked for the ways how to reduce the cost of acquiring additional information about rejected applicants. As a result, I have proposed a modification which I called the enlargement method with sorting variable. It was validated on real bank database with two possible sorting variables and the results were compared with the original version of the method. It was shown that both tested approaches can reduce its cost while retaining the accuracy of the scoring models.

Keywords

metoda otevřených dveří, kredit skóring, výběrové zkreslení, metoda pootevřených dveří, reject inference, ratingové modely

Keywords

selection bias, reject inference, enlargement method, rating models, enlargement method with sorting variable, credit scoring

Language used: Czech

Date on which the thesis was submitted / produced: 8. 9. 2009

Thesis defence

• Date of defence: 14. 9. 2015
• Supervisor: Petr Hebák
• Reader: Iva Pecáková, Eva Zamrazilová

Vysoká škola ekonomická v Praze

Doctoral programme / field:
Kvantitativní metody v ekonomice / Statistika