|
【AIデータサイエンス・信用リスク管理実務編】Rではじめる実践！審査・格付モデル構築 ～視覚化で体感しながら学ぶ統計モデル・機械学習～ |
| 受講区分 | 会場 |
|---|---|
| 開催日時 | 2020-04-17（金） 9:30～16:30 |
| 講師 |
EY新日本有限責任監査法人 アソシエートパートナー 神崎 有吾 氏 スタッフ 佐藤 真史 氏
【神崎 有吾 氏】 |
| 開催地 | カンファレンスルーム（株式会社セミナーインフォ内） |
| 概要 | 現在、AIの活用を含め、ビッグデータを用いた統計分析について、大きなブームが巻き起こっています。また、日本中の企業がデータ分析の結果に基づく、業務の効率化や高度化を目指しています。 講師は、90年代後半から、審査モデル（個人）・格付モデル（法人）構築のプロジェクトに数多く、参画してきましたが、世の中の期待とギャップの差に驚いています。現在、金融機関が入手可能なデータについては、制約があり、AI等の新しい技術を用いることで、審査・格付モデルの予測精度が一気に高度化することはないと考えています。一方、PCの高性能化や新しい統計ソフトの普及により、必ずしも高度な専門性がなくとも、モデルを手軽に使いこなし、必要に応じて、モデルをチューニングすることが可能になると考えています。 たとえば、最近、世の中で広く流行しているAI（機械学習）では、予測力を高めることが期待されているのですが、実は予測精度の向上よりも、与信管理を効率的に高度化できる点が非常に大きなメリットになると考えています。また、やみくもに、高度な手法の導入を目指すのではなく、想定される業務の複雑性や目的を考慮の上、適切なモデルの使い分けが、求められると思われます。シンプルな非線形モデル（ロジットモデル等）や決定木が最も適した場面と、AI（機械学習）が最も適した場面は、モデルの運用環境や内部統制、モデルの利用目的に大きく依存することが分かっています。 本セミナーでは、審査・格付モデルに係る理論や実務について、学習するだけではなく、フリーの統計ソフトR（GoogleColaboratory & Jupyter Notebook）を用いて、審査モデル（個人）・格付モデル（法人）を構築するための基本的な技術について、デモを用いながら視覚化してセミナーの参加者に理解していただくことを想定しています。なお、Rについて、参考書なしでプログラミングをすることはできなくても、基本的な利用方法については習得している人を対象としま すが、セミナー内では講師2名体制で適宜、個別対応しますのでご安心ください。 演習では、審査モデル（個人）や格付モデル（法人）に関する擬似データを用いて、延滞やデフォルトを予測するための統計モデルやAI（機械学習）モデルの構築を行い、Rについてプログラミングの方法やモデル構築のノウハウを共有化することで、参加者の今後の業務に生かしていただくことを目指しています。 この講座で得られること ●これまで専門家の領域と言われていた審査モデルや格付モデルの構築を、各金融機関の内部で実施するための手法や技術について、学習することが可能となります。 ●最近、AI（機械学習）はあたかも万能なツールの様に言われますが、AI（機械学習）がどこまでできて、何ができないかを明確に理解することができます。 ●外部の業者やベンダーにお願いしていた分析を、自分たちでできるようになるため、より敏速で、コストをかけることなく、AI（機械学習）の導入が可能となります。 |
| 詳細 |
１．審査・格付モデルの実務 （１）信用リスク管理モデルの体系 （２）審査・格付モデルで利用されるデータ （３）モデル構築の目的 （４）モデルの説明変数・被説明変数 （５）審査・格付モデルに対して求められる業務要件・規制要件 ２．審査・格付モデルに係る統計手法に関する理論 （１）線形・非線形回帰分析 （２）決定木 （３）AI・機械学習（Lasso回帰、ランダムフォレスト、勾配ブースティング等） ・AIにできること、できない事 （４）各統計手法の比較と、実務での使い分け （５）モデル構築のフロー ３．統計ソフトRの使い方 （１）Rの基礎的な操作方法の確認 （２）利用する主要なパッケージに関する説明（caret等） （３）データ処理に関するプログラミングの基礎 （データ読込、変数変換、欠損等への文字列処理、モデル適用：説明変数選択、 パフォーマンス指標の算出、出力等） ４．演習（審査モデル：個人ローン） （１）データセット作成 （２）異常値・欠損地値処理 （３）説明変数の作成 （４）基礎分析（基礎統計量、個別変数分析等） （５）非線形回帰分析 （６）AI（機械学習） ５．演習（格付モデル：法人ローン） （１）データセット作成 （２）異常値・欠損地値処理 （３）説明変数の作成 （４）基礎分析（基礎統計量、個別変数分析等） （５）非線形回帰分析 （６）AI（機械学習） ６．モデル検証 （１）統計的な検証方法（AR値、交差検証法、時系列分析等） （２）定性的な検証方法（挙動確認、実感との整合確認、事例調査等） （３）モデル運用のPDCAサイクル構築のポイントと留意点 ７．未来・将来の審査・格付モデルは？ （１）モデルを巡る環境変化 ・分析環境、PCスペック、データ量等にかかる論点 （２）将来の審査・格付モデル像 （３）未来の与信管理フレームワーク ８．振り返りと質疑応答 ※ 講義、特に演習時は、インタラクティブなチュートリアルスタイルで運営します ※ 録音、ビデオ・写真撮影はご遠慮ください |
| お問合わせ |
株式会社セミナーインフォ セミナー運営事務局 TEL ： 03-3239-6544 FAX ： 03-3239-6545 E-mail ： customer@seminar-info.jp |