Достаточно ли использовать одну фичу суммы кредита или нужно увязать ее с другими признаками?

Что проверяют

Понимаете ли вы, что признак почти ничего не значит без контекста заёмщика, и умеете ли строить производные признаки для скоринга. Следом обычно спрашивают, какие именно признаки вы добавили бы и как докажете, что они дают прирост.

Как отвечать

Коротко: одной суммы мало. Сто тысяч рублей это разный риск для человека с доходом 40 и 400 тысяч в месяц, поэтому информативна не сама сумма, а её отношение к другим величинам:

• долговая нагрузка: отношение платежа к доходу (PTI, в российской практике ПДН) и суммы к годовому доходу. Платёж считается из суммы, ставки и срока, так что срок нужен обязательно;
• залог: для ипотеки и автокредита отношение суммы к стоимости залога (LTV);
• история: сумма относительно прошлых кредитов и лимитов из кредитной истории. Резкий рост запрошенной суммы часто сам по себе сигнал;
• продукт и канал: для микрозайма и потребкредита одинаковая сумма означает разное.

Дальше о моделях. Градиентный бустинг (CatBoost, LightGBM, XGBoost) сам находит взаимодействия, но и ему явные отношения помогают, особенно на небольших выборках. Логистическая регрессия на WoE-бинах, классика банковских скоркарт, взаимодействий не видит, их нужно строить руками.

Прирост доказывают на отложенной по времени выборке (out-of-time): сравните Gini модели только с суммой и с набором производных признаков, проверьте стабильность через PSI и монотонность риска по бинам.

Где спотыкаются

Берут одобренную сумму вместо запрошенной. Одобренную уже определила прошлая риск-политика банка, и модель учится повторять старое решение, а не предсказывать дефолт.

Забывают про смещение отбора: дефолты известны только по выданным кредитам, об отклонённых заявках модель ничего не знает. Об этом стоит хотя бы упомянуть и назвать подходы reject inference.

Ждут монотонной зависимости «больше сумма, выше риск». На практике она бывает U-образной, и линейная модель без биннинга её пропускает.