Если вы уже давно играете в покер и до сих пор не знаете, кто такой лох, значит, вы лох.
Теперь вместо покера замените Финансы, а в данном случае Ипотечный риск. Если вы все еще делаете это вручную или используете сложную подгонку кривых и т. д., что ж, вы тупица.
У Кея Гизеке из Стэнфорда есть увлекательная статья, в которой он собрал 294 параметра для каждого кредита из 120 миллионов кредитов (с 1995 по 2014 год) и использовал их для прогнозирования эффективности кредита с помощью #MachineLearning.
Совершенно неудивительный результат — он превзошел «традиционные методы» (логистическая регрессия, аппроксимация кривых и т. д. И обратите внимание, это не простые вещи, это то, на что институты бросают Quants уже много лет).
Дело в том, что это именно проблема, которую действительно сложно смоделировать (отсюда и кванты) — слишком много параметров, внутренних и внешних, а различия в производительности, как правило, связаны с делая правильные предположения об образцах, делая это старомодным (не ML) способом.
Однако #DeepLearning на это наплевать — добавьте хорошую дозу TPU (или графических процессоров. Что угодно), и следующее, что вы знаете, у вас есть довольно отличные прогнозы — черт возьми, чем больше данных в этом случае лучше!
Так что да, если вы занимаетесь этим бизнесом и не занимаетесь машинным обучением, что ж, вы тупица…
