GLM を超える金融サービス モデルを目指して

ホワイトペーパー/ebook
025 Fin GLM

1990 年代に入ると、保険業界のアクチュアリーや銀行業界のクレジットアナリストが、保険料の設定や信用リスクのモデリングを行う際に GLM を広く利用するようにりました。これには、現代の強力なコンピューターの普及が一役買っています。しかし、ほとんどの統計学者やアクチュアリーが使用している統計的手法は、元々、銀行業や保険業向けに設計されていません。注意深く設計された実験から収集したデータに基づいて、科学的な仮説を定量的に検証するのが、統計的手法の目的だからです。その結果として、GLM には明白な盲点が生じます。統計学者やアクチュアリーが直面する最も面倒な作業の 1 つは、統計分析に使えるようにデータをクリーニングすることであり、その際の最も厄介なものの 1 つが、欠損値の問題です。

幸いにも、手作業で欠損値を埋めたり、貴重なデータを分析対象から取り除いたりするよりいい方法があります。DataRobot を導入すれば、欠損値が存在する状況でもさまざまな最新のアルゴリズムを簡単に利用できます。DataRobot は、欠損値などのよくある問題に対処するノウハウを豊富に蓄えた、機械学習の自動化プラットフォームだからです。

025 Fin GLM

本ホワイトペーパーでは、次について説明します。

  • GLMとは、なぜGLMが銀行業や保険業界向けに設計されていないのか
  • 機械学習はどのように欠損値、外れ値を処理するのか
  • 機械学習はどのように金融リスクおよびマーケティング活動の両方にとって重要な要因である社会経済的な特徴量を処理するのか