신용 평가 모델 개요
신용 평가 모델은 차용자 데이터를 정량적 위험 평가로 변환합니다. 이 장에서는 전통적인 스코어카드 방법에서 현대적인 AI/ML 접근 방식으로의 진화를 탐구합니다.
전통적 스코어카드 모델
로지스틱 회귀 스코어카드
전통적 신용 평가의 기초인 로지스틱 회귀 모델은 가중치가 적용된 특성을 기반으로 채무 불이행 확률을 추정합니다.
장점:
- 매우 해석 가능하고 설명 가능
- 규제 승인 및 준수
- 안정적이고 일관된 성능
- 낮은 계산 요구 사항
한계:
- 선형 관계 가정
- 제한된 기능 상호 작용
- 수동 기능 엔지니어링 필요
- 복잡한 패턴에 적응할 수 없음
현대 머신러닝 모델
그래디언트 부스팅 머신
XGBoost와 LightGBM은 뛰어난 성능으로 인해 신용 평가의 업계 표준이 되었습니다.
주요 이점:
- 500개 이상의 기능을 자동으로 처리
- 비선형 관계 포착
- 내장된 기능 중요도
- 과적합에 강함
- 뛰어난 예측 정확도
신경망
복잡한 패턴 인식을 위한 딥러닝 모델
응용 프로그램:
- 대안 데이터 통합 (텍스트, 거래 패턴)
- 범주형 변수 임베딩
- 시계열 신용 행동 모델링
- 다중 작업 학습 (점수 + 설명 + 권장)
앙상블 방법
우수한 성능을 위해 여러 모델 결합
- 모델 1: XGBoost (40% 가중치) - 최고의 전체 정확도
- 모델 2: LightGBM (30% 가중치) - 속도 및 효율성
- 모델 3: 신경망 (20% 가중치) - 복잡한 패턴
- 모델 4: 로지스틱 회귀 (10% 가중치) - 기준선 및 설명 가능성
모델 비교
- 로지스틱 회귀: AUC-ROC 0.72-0.75, 10-30 기능, 훈련 시간 분 단위
- 랜덤 포레스트: AUC-ROC 0.78-0.80, 100-300 기능, 훈련 시간 시간 단위
- XGBoost/LightGBM: AUC-ROC 0.82-0.86, 500-1000 기능, 훈련 30-60분
- 신경망: AUC-ROC 0.83-0.88, 1000+ 기능, 훈련 시간 시간 단위
- 앙상블: AUC-ROC 0.85-0.90, 1000+ 기능, 훈련 시간 시간 단위
특수 모델
Thin-File 평가
제한된 신용 기록을 가진 소비자를 위해 대안 데이터를 사용하도록 설계된 모델
SMB/상업 평가
비즈니스 재무제표, 무역 신용 및 비즈니스 소유자 개인 신용을 통합하는 비즈니스 신용 평가
행동 평가
기존 고객에 대한 지속적인 위험 평가
모델 개발 수명 주기
- 데이터 수집: 결과가 있는 2-3년의 과거 신청서 수집
- 데이터 준비: 정리, 정규화, 누락된 값 처리
- 기능 엔지니어링: 원시 데이터에서 예측 변수 생성
- 모델 훈련: 여러 후보 모델 개발
- 검증: 홀드아웃 테스트 세트에서 테스트, 성능 평가
- 보정: 예측 확률이 실제 채무 불이행률과 일치하는지 확인
- 승인: 모델 위험 관리 검토 및 규제 승인
- 배포: 모니터링과 함께 프로덕션 구현
- 모니터링: 성능 추적, 드리프트 감지
- 재훈련: 분기별 또는 연간 모델 업데이트