Методы финансовой оценки и управления модельным риском в банковском розничном бизнесе

Данное исследование посвящено анализу методов финансовой оценки и управления модельным риском в банковском розничном бизнесе. Основная цель работы заключается в изучении и адаптации существующих подходов к оценке финансового эффекта и модельного риска Uplift-моделей в условиях невозможности проведения A/B тестирования. Методология исследования включает анализ теоретических аспектов Uplift-моделирования, использование методов квази-экспериментальной оценки, таких как Propensity Score Matching (PSM) и Propensity Score Weighting (PSW), а также применение архитектуры глубоких нейронных сетей DragonNet для оценки дополнительного эффекта от маркетинговых кампаний на вероятность приобретения клиентами банковских продуктов. Эмпирическая база работы основана на данных о клиентах банковского сектора, собранных в рамках маркетинговой кампании по продвижению потребительских кредитов. Данные включают как группу клиентов, с которыми проводилась таргетированная коммуникация, так и группу, в которой коммуникации проводились случайным образом. Основные результаты исследования демонстрируют, что метод DragonNet при внедрении целевой регуляризации (Targeted Regularization) достаточно эффективен для использования в процессах финансовой оценки и управления рисками. Он показывает более точные и менее смещенные оценки причинно-следственных эффектов по сравнению с традиционными методами, такими как PSM и PSW. Предложенные методы могут быть непосредственно использованы в банковской сфере для оптимизации маркетинговых стратегий и управления рисками. Метод DragonNet, благодаря своей высокой точности и надежности, может существенно повысить эффективность банковских маркетинговых кампаний и улучшить финансовые результаты банков.