信用評分專家系統
我正在為沒有擔保的信用（消費者信用）研究信用評分模型。
我正在尋找一種不基於統計方法的信用評分決策專家系統的方法。我對我的數據嘗試了幾種統計方法（邏輯回歸，隨機森林） - 沒有成功。我的變數沒有足夠的預測性，而且預測太差，無法建立記分卡。
我正在建模一個級別為 0 和 1 的二進制變數，其中 1 是預設值，並且我有幾個預測變數。
現在我正在尋找一種將數據資訊與專家系統（人類知識）相結合的方法？我能做些什麼？
是否存在這樣的方法/算法？那麼先驗呢？
從業者用來模擬消費者信用的最佳模型是邏輯回歸模型；現在，您說您嘗試使用邏輯模型進行建模但沒有成功，但我想向您推薦我在這種情況下將使用的分步程序。
為了模擬消費者信用，我將遵循以下程序：
- 樣品分析：
我分析了此類樣本的分佈，驗證它具有大致相同的總體或基準分佈。樣本量應該足夠（根據巴塞爾協議的建議，至少 5/7 年的觀測中至少有 50k 次觀測）。
在這樣的步驟中，您可以通過使用人口穩定性指數來執行這種分析，對於每個變數，給定的，通過：
$ PSI $ $ = $ $ \sum\limits_{i=1}^n (P_{i,1}-P_{i,2})*ln\frac{P_{i,1}}{P_{i,2}} $
在哪裡 $ P_{i,1} $ 是您考慮的總體/基準的 j 類中觀察值的百分比，並且 $ P_{i,2} $ 是樣本的 j 類中觀察值的百分比。
通過驗證 PSI 小於 10%，計算樣本中每個變數的 PSI；門檻值是經驗性的，取決於您正在分析的國家/地區/工具。
根據 PSI 從樣本變數中剔除不穩定的變數。
- 數據質量分析：
根據經濟意義分析樣本值，確定缺失值的百分比、值的異常（例如，值 999.999）和錯誤值（例如，應該為正的變數的負值，例如貸款價值）。我會消除所有具有大於 5% 百分比的缺失、異常或錯誤值的變數。
- 邏輯回歸分析
通過在獨立變數上回歸目標變數來實現邏輯，通過消除在 5% 水平上不顯著的變數；消除相關性大於 30% 的變數（同樣，這是一個經驗規則，因此，將其用作經驗法則而不是門檻值點）。之後，通過僅保留重要變數來執行逐步變數選擇模型。
現在，這是我用來模擬消費信貸市場的基本分步程序。在此之後，您應該獲得大約等於 80% 的 AUROC（測試/驗證集為 70%）。如果不是，您可以通過引入專家/判斷變數來校準/調整模型。這意味著要求您的同事根據他們定義哪些變數會影響違約機率，並通過以下方式調整變數在模型中的權重給它們加蓋；這是更簡單的方法。其次，您可以開發一個完全以判斷方式建構的並行模型（例如，對可能影響 PD 的變數進行問卷調查，並要求幾個從業者進行編譯，最後選取更有意義的變數。
如果您不是從業者，以下是影響 PD 的最常見變數：
- 貸款/信貸金額；
- 債務收入比；
- 年齡;
- 工作;
- 工資/薪金數額；
- 信用局評分；
- 過去的消費者歷史（如果客戶過去買了東西並且能夠償還債務）；
等等……不幸的是，它不存在開發基於專家的信用風險模型的算法。事實上，專家判斷是基於銀行櫃員/經理的經驗，並且這種經驗會根據雇主所在的國家/地區而變化。消費信貸市場因國家文化、規則、法律、中央銀行應用巴塞爾協議的方式等諸多因素而變化。無法將模型建構調整為在英國執行到拉丁國家，如西班牙、意大利等
希望這可以幫助。