ML-система кредитного скоринга: реализация под ключ

Представьте: банк теряет миллионы из-за неверных кредитных решений. Традиционные скоринговые карты на основе логистической регрессии не справляются с нелинейными зависимостями в данных. Пример: один из клиентов, использующий линейную модель, терял 5% хороших заёмщиков из-за неверного отклонения. Мы решаем эту проблему с помощью градиентного бустинга и глубокого обучения. Машинное обучение в финансах — наш профиль. Мы строим ML-модели, которые анализируют сотни факторов и дают точные прогнозы дефолта. Повышение Gini на 10 п.п. экономит банку до $90k–130k на портфеле в 5 млрд.

Мы внедряем ML-системы кредитного скоринга, которые заменяют устаревшие логистические регрессии. Наш опыт показывает: современные модели с сотнями признаков повышают Gini на 8–15 п.п. по сравнению с традиционными подходами. Разница в 8 п.п. Gini — это около $9k–13k годовой экономии для среднего банка.

Постановка задачи и данные

Целевая переменная: дефолт в течение 12 месяцев (бинарная классификация) или вероятность дефолта для PD-оценки в рамках Basel III. Класс-имбаланс: типично 1:10–1:50 (дефолтные vs. нормальные), что требует особого внимания. Оценка кредитоспособности заёмщиков базируется на разнородных данных.

Источники признаков:

Как ML-система кредитного скоринга повышает точность?

XGBoost / LightGBM — основная рабочая лошадь. Обрабатывает табличные данные, нечувствителен к выбросам, хорошо работает с пропусками, интерпретируем через SHAP. Для большинства задач скоринга — оптимальный выбор.

CatBoost — преимущество при большом числе категориальных признаков (регион, профессия) без ручного кодирования.

Нейросети (TabNet, AutoInt) — дают прирост на очень больших датасетах (>5M записей) с богатыми поведенческими данными. Сложнее в интерпретации и обслуживании.

Стекинг. В production часто используем ансамбль: LightGBM + logistic regression (для интерпретируемости regulatory reporting) с мета-леарнером.

Глубокий разбор: работа с имбалансом и calibration

Precision 0.71 при recall 0.89 на классе "default" из-за дисбаланса 1:25 — стандартная боль скоринговых моделей. На практике эффективны:

Focal Loss. Для нейросетевых моделей значительно лучше простого weighted cross-entropy. Параметр gamma=2 фокусирует обучение на сложных примерах, как описано в работе Lin et al. (2017).

SMOTE осторожно. Oversample + undersample работает, но SMOTE на финансовых данных может создавать нереалистичные синтетические примеры — обязательно валидировать бизнес-логикой.

Calibration критична. Модель выдаёт score, но нам нужна реальная вероятность дефолта для расчёта LGD и EAD. Isotonic regression или Platt scaling после обучения. Проверяем calibration curve — идеальная модель: предсказанная вероятность 0.3 = 30% фактических дефолтов.

from sklearn.calibration import CalibratedClassifierCV from lightgbm import LGBMClassifier base_model = LGBMClassifier( n_estimators=500, learning_rate=0.05, scale_pos_weight=25, # соотношение классов min_child_samples=50 ) calibrated_model = CalibratedClassifierCV( base_model, method='isotonic', cv=5 ) calibrated_model.fit(X_train, y_train) 

Почему важен мониторинг дрейфа данных?

Скоринговая модель деградирует со временем. Причины: изменение экономической ситуации, изменение кредитной политики банка, изменение поведения заёмщиков.

Обязательный мониторинг:

• PSI (Population Stability Index) по входным признакам: PSI > 0.25 — критическое изменение распределения, нужно переобучение.
• Gini на hold-out выборке ежемесячно.
• Score distribution shift: если средний score популяции сдвинулся на >15 пунктов — проверяем причины.
• Outcome monitoring: через 6–12 месяцев сравниваем предсказанный vs. фактический дефолт rate.

Что входит в работу по внедрению ML-скоринга?

• Аналитический отчёт с описанием источников данных, feature engineering и выбранной архитектуры модели.
• Обученная и откалиброванная модель (артефакт в формате .pkl или .onnx) с метриками на отложенной выборке.
• REST API на FastAPI для получения скоров в реальном времени, контейнеризированный в Docker.
• Документация: описание модели (model card), инструкция по эксплуатации, API-спецификация (OpenAPI).
• Обучение команды заказчика: воркшоп по интерпретации SHAP и мониторингу дрейфа.
• Поддержка в течение 3 месяцев после запуска (консультации, исправление ошибок).

Как мы внедряем ML-скоринг?

1. Анализ данных и feature engineering. Аудит источников, очистка, генерация 100+ признаков. Используем PySpark для обработки больших объёмов.
2. Выбор и обучение модели. Подбор алгоритма (LightGBM, XGBoost, нейросети) и гиперпараметров через Optuna. Валидация на временных срезах.
3. Калибровка и интерпретация. Platt scaling или изотоническая регрессия. SHAP-отчёты для бизнеса и регулятора.
4. Развёртывание и мониторинг. REST API на FastAPI, контейнеризация Docker, мониторинг PSI и Gini.
5. Документирование и compliance. Отчёт для ЦБ, описание модели, обучение команды.

Практический кейс

Наш клиент — МФО, исходная модель — логрег с 18 признаками из БКИ. Gini = 0.52 на тестовой выборке. Мы выполнили:

• Добавили 140 транзакционных признаков (паттерны расходов, cash-in/out ratio, регулярность).
• LightGBM с hyperparameter tuning через Optuna (300 trials).
• Feature selection: оставили топ-80 признаков по SHAP importance.
• Calibration: Platt scaling для получения реальных PD.
• Итог: Gini на тестовой выборке — 0.71 (+19 п.п.). Approval rate при том же уровне дефолтности вырос на 12% (одобряем больше хороших заёмщиков). Прирост одобрения дал дополнительный доход $135k–195k в год.

Сроки: 8–12 недель для базовой ML-модели, 4–6 месяцев для production-системы с мониторингом, интерпретируемостью и compliance. Свяжитесь для консультации, чтобы оценить ваш проект. Закажите пилотный проект — получите готовую модель через 2 недели. Обращайтесь к нам для внедрения ML-скоринга в вашем банке.