글
-
[기초] Part 8. 왜 이렇게 판정했는지 답할 수 있어야 합니다: 해석가능성과 공정성, 규제
신용에서 모델은 왜 그렇게 판정했는지 설명할 수 있어야 하고, 그 판정이 공정한지 답할 수 있어야 합니다. 투명한 모델과 사후 설명, 보호속성을 지워도 새어드는 대리변수 차별, 하나로 정의되지 않는 공정성, 그리고 이 모두를 떠받치는 규제를 실무의 언어로 정리했습니다.
-
[기초] Part 7. 배포가 끝이 아닙니다: 검증과 거버넌스, 모니터링
금융에서의 모델은 다 만들었다고 끝이 아닙니다. 만든 사람과 다른 사람이 독립적으로 검증하고, 섀도 모드로 조심스럽게 켜고, 배포한 뒤에도 계속 지켜보다 노화하면 다시 학습시킵니다. 신용 모델의 검증과 거버넌스, 모니터링을 실무의 언어로 정리했습니다.
-
[기초] Part 6. 예측을 넘어 개입으로: 인과추론과 실험
신용 심사는 예측만 하는 게 아니라 결과에 개입합니다. 한도를 올리면 부도가 늘어나는지 같은 질문을 상관으로 답하면 방향부터 틀립니다. 실험과 준실험, 회귀불연속, 업리프트까지 신용의 인과추론을 실무의 언어로 정리했습니다.
-
[기초] Part 5. 순위만 잘 매겨선 안 됩니다: 신용 모델 평가의 세 축
잘 만든 모델인지 어떻게 확인할 수 있을까요. 신용에서는 순위를 잘 매기는지(판별)만 보지 않습니다. AUC와 PR-AUC로 판별을 보고, 캘리브레이션으로 확률이 실제와 맞는지 보고, PSI로 시간이 지나도 버티는지 봅니다. 일반 ML이 잘 안 보는 두 축까지 정리했습니다.
-
[리뷰] 구글에서 6/30 공개한 테이블 데이터용 파운데이션 모델 TabFM은 신용에서 GBM을 이길까. 공개 데이터로 직접 테스트했습니다
구글이 공개한 제로샷 테이블 파운데이션 모델 TabFM은 학습도 튜닝도 없이 '잘 튜닝한 GBM도 이긴다'고 합니다. 신용 대손에 실제로 쓸 수 있을까요. 공개 신용카드 데이터로 잘 만든 GBM과 겨뤄본 실무자 리뷰입니다.
-
[기초] Part 4. 신용 모델 만들기: 스코어카드와 트리
Part 3에서 모델을 선택했다면, 이번 글은 실제로 구축하는 과정입니다. 로지스틱 회귀로 스코어카드를 만드는 법(WOE·IV·점수 스케일링)과 트리로 만드는 법(피처·SHAP·단조 제약), 둘의 차이, 그리고 모델과 무관하게 거쳐야 하는 거절 추론과 캘리브레이션까지 정리했습니다.
-
[심화] 거절한 사람은 어디로 갔을까: 거절 추론과 rejectkit
신용 모델은 승인한 사람의 결과만 보고 배우지만, 정작 평가는 거절자를 포함한 전체 신청자에게 합니다. 이 표본 선택 편향을 보정하는 거절 추론 기법 여덟 가지를 한 API로 묶고, 그 보정이 내 데이터에서 실제로 도움이 되는지까지 재주는 파이썬 라이브러리 rejectkit을 만들어 공개했습니다.
-
[페이퍼] 신용 데이터에서 SSL은 GBM에 못 미칩니다. 그런데 합치면 개선됩니다
신용 부도 예측에서 자기지도학습(SSL)이 GBM보다 좋은 성능을 낼 수 있을까요. 공개 데이터(AMEX)로 실험해보니, SSL 단독으로는 GBM에 못 미치지만 GBM 피처에 합쳐 쓰면 통계적으로 의미 있게 성능이 올랐습니다. 그리고 그 이득은 GBM이 안전하다고 본 고객 속 숨은 부도에 몰려 있었습니다.
-
[기초] Part 3. 딥러닝이 안 통하는 데이터: 스코어링을 위한 머신러닝
신용 데이터는 표 형태입니다. 그리고 표 데이터에서는 화려한 딥러닝이 아니라 트리 기반 부스팅이 이깁니다. 성능으로 고르면 왜 트리가 최종 모델이 되는지, 로지스틱 회귀는 어째서 아직 사용되는지, 그리고 금융에서는 교차검증을 왜 다르게 해야 하는지를 정리했습니다.
-
[심화] 한도를 높이면 부도가 늘어날까? 공개 데이터 3종으로 검증한 기록
신용 한도를 올리면 그 사람의 부도 확률은 올라갈까요, 내려갈까요. 상식적으로는 올라갈 것 같지만, 데이터는 정반대로 '내려간다'고 답합니다. 이 역설을 디바이어싱으로 풀고, 공개 데이터 세 가지로 검증하면서, 한도 효과의 부호가 언제 뒤집히는지를 정리했습니다.
-
[기초] Part 2. 통계가 먼저입니다: 신용 데이터를 읽는 법
머신러닝으로 가기 전에 통계가 먼저입니다. 신용에서는 '모델이 잘 맞나'보다 '이 차이가 진짜인가 우연인가'를 더 자주 묻습니다. 금융 데이터의 분포, 다중검정의 함정, 작은 표본을 다루는 법, 그리고 기본값으로 깔린 편향까지 정리했습니다.
-
[기초] Part 1. 카드 비즈니스와 신용 리스크: 심사 모델의 출발점
모델이 무엇을 최적화해야 하는지는 결국 비즈니스에서 나옵니다. 카드사가 어디서 벌고 어디서 잃는지, 신용 손실을 어떻게 나누는지, 규제가 어떻게 모델 안으로 들어오는지를 정리했습니다. 심사 모델을 이해하기 위한 기초 도메인 지식입니다.
-
[기초] Part 0. 금융 데이터 사이언스가 일반 ML과 다른 7가지
ML 모델 구축부터 평가까지 잘 하는 사람도 신용 심사에 오면 한 번씩 어긋납니다. 실력이 아니라 규칙이 다른 분야이기 때문입니다. 선택편향부터 규제까지, 금융 데이터 사이언스가 일반 ML과 구조적으로 다른 7가지를 정리했습니다.
아직 글이 없습니다.