algo-risk-credit

信用スコアリングモデル

概要

信用スコアリングモデルは、ロジスティック回帰または勾配ブースティングを使用し、借り手の特性からデフォルト確率（PD）を予測します。出力はスコア（300〜850の範囲）またはPD（0〜1）です。融資の承認、価格設定、ポートフォリオのリスク管理に使用されます。

使用する場面

適用条件：

• 融資・信用の承認判断に用いるスコアカードを構築する場合
• リスクベースの価格設定のためにデフォルト確率を予測する場合
• 既存の信用モデルの識別力を評価する場合

使用しない場面：

• 企業の倒産予測には使用しないでください（Altman Z-Scoreを使用してください）
• 市場リスクの測定には使用しないでください（VaRを使用してください）

アルゴリズム

IRON LAW: A Credit Model Must Discriminate AND Be Calibrated
Discrimination (AUC): correctly ranking good vs bad borrowers.
Calibration: predicted PD matches actual default rates.
A model with AUC=0.85 but predicted PD 2x actual default rate will
cause systematic over/under-pricing. Need BOTH properties.

フェーズ 1：入力の検証

収集するデータ：借り手の特徴（収入、負債比率、信用履歴の長さ、延滞件数、利用率）、目的変数（12〜24か月以内のデフォルト）。欠損値とクラスの不均衡（通常、デフォルト率は2〜5％）に対処します。 ゲート： デフォルト件数が十分（300件以上）であり、判断時点で特徴量を利用できること。

フェーズ 2：コアアルゴリズム

1. 特徴量エンジニアリング：ロジスティック回帰にはWOE（Weight of Evidence）ビニングを使用し、GBDTには直接エンコーディングを使用します
2. モデルの学習：ロジスティック回帰（解釈可能で、規制上優先されます）またはGBDT（より高い精度）
3. キャリブレーション：ホールドアウトデータに対してPlatt scalingを実施し、デシルごとに予測PDが実際のデフォルト率と一致することを確認します
4. スコアへの変換：Score = offset + factor × log(odds)を使用し、300〜850の範囲にスケーリングします

フェーズ 3：検証

評価項目：AUC（>0.70は許容可能、>0.80は良好）、KS統計量、ジニ係数。ドリフトの監視には母集団安定性指数（PSI）を使用します。 ゲート： AUC > 0.70であり、キャリブレーションが許容範囲内で、保護対象属性に差別的なバイアスがないこと。

フェーズ 4：出力

スコア、PD、主なリスク要因を返します。

出力形式

{
  "score": 680,
  "pd": 0.035,
  "risk_grade": "B",
  "top_risk_factors": [{"factor": "high_utilization", "impact": -45}, {"factor": "short_history", "impact": -30}],
  "metadata": {"model": "logistic_regression", "auc": 0.78, "vintage": "2024-Q3"}
}

例

入出力例

入力： 借り手：収入=$60K、DTI=35%、信用履歴5年、延滞0件、利用率60% 期待値： スコア約680、PD約3.5%、グレードB（利用率が高いため、一定のリスクあり）

エッジケース

入力	期待値	理由
信用履歴なし（信用情報が少ない）	不確実性が高いため、保守的に判断する	スコアリングに必要なデータが不十分
すべての特徴量が同一	結果にかかわらず同じスコアになる	モデルが区別できません — 特徴量を追加する必要があります
経済環境が大きく変化	PSI > 0.25となり、モデルの再キャリブレーションが必要	母集団の分布が学習データから変化しています

注意点

• 否決者の推論：学習データには承認された申込者のみが含まれます。否決された申込者の結果は不明なため、選択バイアスが生じます。否決者の推論手法を使用してください。
• 公正な融資：モデルは保護対象属性（人種、性別、年齢）に基づいて差別してはなりません。代理変数（郵便番号 ≈ 人種）であっても、異なる影響を生じさせることがあります。公平性指標を使用してテストしてください。
• 申込者全体と承認済み顧客：TTDサンプルにはすべての申込者が含まれますが、OTBサンプルには承認された申込者のみが含まれます。モデルの目的に応じて使用するサンプルを決定します。
• ビンテージ分析：デフォルト率は経済状況によって変動します。2019年に学習したモデルは、景気後退時には適切に予測できない可能性があります。ビンテージごとにモデルの性能を追跡してください。
• 規制要件：金融規制当局（Basel、OCC、FDIC）は、モデルの検証、文書化、公正な融資に関するテストについて、個別の要件を定めています。

参考資料

• WOEビニングの手法については、references/woe-binning.mdを参照してください
• 否決者の推論手法については、references/reject-inference.mdを参照してください