Kreditní scoring pomocí ML: pokročilé techniky a regulatorní požadavky
Masterclass zaměřená na praktické techniky strojového učení pro tvorbu skórovacích modelů. Naučíte se pracovat s reálnými daty, vybírat správné algoritmy a interpretovat výsledky.
10 týdnů
Scoring v regulovaném prostředí je jiný problém
Kreditní modely v bankách musí být nejen přesné, ale také interpretovatelné a auditovatelné. Regulátor chce vědět, proč model rozhodl tak, jak rozhodl.
Kde vznikají problémy v praxi
Většina datových vědců umí postavit model s vysokým AUC. Problém nastane, když compliance tým požádá o vysvětlení každého zamítnutého žadatele. Black-box modely tady selhávají.
Interpretabilita jako součást návrhu
Naučíte se pracovat s SHAP hodnotami, scorecard formátem a technikami jako LIME. Tyto nástroje nejsou jen pro regulátory, pomáhají také odhalit chyby v datech.
- Scorecard modely s WoE transformací
- SHAP pro vysvětlení individuálních predikcí
- Stresové testování a validace modelů
- Dokumentace podle požadavků EBA
Koho kurz zajímá
Analytici v bankách, fintech společnostech a pojišťovnách, kteří pracují s úvěrovými daty nebo připravují modely pro interní validaci.
Kurz nepokrývá základy Pythonu. Předpokládá se znalost pandas, scikit-learn a základní statistiky.
Obsah a struktura programu
Obsah kurzu
- Modul 1: Regulatorní rámec
- Basel III, IFRS 9, požadavky EBA na modelovou dokumentaci
- Modul 2: Příprava dat pro kreditní scoring
- WoE transformace, informační hodnota, stabilita příznaků
- Modul 3: Scorecard modely
- Logistická regrese v scorecard formátu, kalibrace skóre
- Modul 4: Pokročilé ML techniky
- Gradient boosting s interpretabilitou, SHAP analýza
- Modul 5: Validace a monitoring
- PSI, CSI, backtesting, stresové scénáře
- Modul 6: Dokumentace a audit
- Příprava modelové dokumentace pro interní a externí audit