記事
-
[基礎] Part 8. なぜそう判定したのかに答えられなければなりません：解釈可能性と公平性、規制
信用のモデルは、なぜそう判定したのかを説明できなければならず、その判定が公平かにも答えられなければなりません。透明なモデルと事後説明、保護属性を消しても漏れ込む代理変数による差別、一つに定まらない公平性、そしてそのすべてを支える規制を、実務の言葉で整理しました。
-
[基礎] Part 7. リリースが終わりではありません：検証とガバナンス、モニタリング
金融のモデルは、作り終えたら終わりではありません。作った人とは別の人が独立して検証し、シャドーモードで慎重に切り替え、リリースしたあとも見守り続け、古くなれば再学習させます。信用モデルの検証とガバナンス、モニタリングを実務の言葉で整理しました。
-
[基礎] Part 6. 予測を超えて介入へ：因果推論と実験
信用審査は予測をするだけでなく、結果に介入します。限度額を上げると貸し倒れが増えるのか、といった問いを相関で答えると、方向から間違えます。実験と準実験、回帰不連続、アップリフトまで、信用の因果推論を実務の言葉で整理しました。
-
[基礎] Part 5. 順位付けだけでは足りません：信用モデル評価の三つの軸
良いモデルかどうかを、どう確認すればいいでしょうか。信用では順位をうまく付けるか(判別)だけを見ません。AUCとPR-AUCで判別を見て、キャリブレーションで確率が実際と合うかを見て、PSIで時間が経っても持ちこたえるかを見ます。一般的なMLがあまり見ない二つの軸まで整理しました。
-
[レビュー] Googleが6/30に公開したテーブルデータ用の基盤モデルTabFMは、信用でGBMに勝てるか。公開データで直接テストしました
Googleが公開したゼロショットのテーブル基盤モデルTabFMは、学習もチューニングもなしで「よくチューニングしたGBMにも勝つ」と言います。信用の貸し倒れに実際に使えるでしょうか。公開クレジットカードデータで、よく作ったGBMと競わせた実務者レビューです。
-
[基礎] Part 4. 信用モデルを作る：スコアカードと決定木
Part 3でモデルを選んだなら、この記事は実際に作る工程です。ロジスティック回帰でスコアカードを作る方法(WOE・IV・点数スケーリング)と決定木で作る方法(特徴量・SHAP・単調制約)、両者の違い、そしてモデルに関わらず必ず通るリジェクト推論とキャリブレーションまで整理しました。
-
[応用] 否決された人はどこへ行ったのか：リジェクト推論とrejectkit
信用モデルは承認された人の結果だけを見て学習しますが、評価は否決者を含む申込者全体に対して行います。この標本選択バイアスを補正するリジェクト推論の手法八つを一つのAPIにまとめ、その補正が自分のデータで実際に役立つのかまで測るPythonライブラリrejectkitを作って公開しました。
-
[論文] 信用データではSSLはGBMに届きません。しかし統合すると改善します
信用の貸し倒れ予測で、自己教師あり学習(SSL)はGBMより良い性能を出せるでしょうか。公開データ(AMEX)で実験したところ、SSL単体ではGBMに届きませんが、GBMの特徴量に統合すると統計的に意味のある改善が見られました。そしてそのゲインは、GBMが安全と見た顧客の中に隠れた貸し倒れに集中していました。
-
[基礎] Part 3. ディープラーニングが効かないデータ：スコアリングのための機械学習
信用データはテーブル形式です。そしてテーブルデータでは、華やかなディープラーニングではなく決定木ベースのブースティングが勝ちます。性能で選ぶとなぜ決定木が最終モデルになるのか、ロジスティック回帰はなぜ今も使われるのか、そして金融ではなぜ交差検証を違うやり方でしなければならないのかを整理しました。
-
[応用] 限度枠を上げると貸し倒れは増えるのか? 公開データ3種で検証した記録
限度枠を上げると、その人の貸し倒れ確率は上がるのでしょうか、下がるのでしょうか。常識的には上がりそうですが、データは逆に「下がる」と答えます。この逆説をバイアス除去で解き、公開データ3種で検証しながら、限度枠効果の符号がいつ反転するのかを整理しました。
-
[基礎] Part 2. 統計が先です：信用データの読み方
機械学習に進む前に、まず統計です。信用では「モデルがよく当たるか」より「この違いは本物か、それとも偶然か」を頻繁に問います。金融データの分布、多重検定の落とし穴、小さな標本の扱い方、そしてデフォルトで潜むバイアスまで整理しました。
-
[基礎] Part 1. カードビジネスと信用リスク：与信モデルの出発点
モデルが何を最適化すべきかは、結局ビジネスから決まります。カード会社がどこで稼ぎどこで失うのか、信用損失をどう分けるのか、規制がどのようにモデルの中へ入ってくるのかを整理しました。与信モデルを理解するための基礎ドメイン知識です。
-
[基礎] Part 0. 金融データサイエンスが一般的なMLと違う7つのこと
一般的な ML のモデル構築から評価まで一通りこなせる人でも、与信審査では一度はつまずきます。実力ではなく、ルールが違う分野だからです。選択バイアスから規制まで、金融データサイエンスが一般的なMLと構造的に違う7つを整理しました。
まだ記事がありません。