Desafios na Precificação de Empréstimos: Viés de Seleção e Métodos Causais

Precificar empréstimos pode ser bem complicado para os bancos. Eles precisam definir preços que sejam altos o suficiente pra cobrir os custos e possíveis prejuízos, mas baixos o suficiente pra atrair clientes e continuar competitivos. Se um banco coloca um preço muito alto, os clientes vão acabar rejeitando a proposta e indo pra um concorrente. Se o preço for muito baixo, o banco pode não ter lucro e acabar perdendo grana.

Os clientes têm preferências diferentes e sensibilidades ao preço, o que significa que o preço ideal pra maximizar o lucro muitas vezes é personalizado. Porém, muitos bancos ainda usam estruturas de preços rígidas que agrupam clientes em grandes categorias, em vez de adaptar os preços às necessidades individuais. Descontos geralmente são oferecidos a critério da equipe do banco, que pode ser influenciada por políticas corporativas.

Criar uma estratégia de precificação personalizada é difícil porque os bancos precisam conhecer as preferências e características únicas de cada cliente. No entanto, esses detalhes, como sensibilidade ao preço e disposição a pagar, muitas vezes não estão disponíveis diretamente. Os bancos normalmente têm que fazer suposições ou usar aproximações com base em dados passados, o que pode trazer desafios.

#Desafios na Precificação de Empréstimos

Dois problemas principais na precificação de empréstimos são a endogeneidade e o Viés de Seleção. A endogeneidade acontece quando fatores importantes que afetam as preferências ou decisões dos clientes não são observados ou estão indisponíveis para modelagem. Por exemplo, interações entre clientes e funcionários do banco podem não ser registradas adequadamente, levando a lacunas nos dados.

O viés de seleção, por outro lado, se refere à diferença sistemática entre os grupos de clientes que recebem diferentes ofertas de empréstimos. Isso pode vir de políticas bancárias ou do comportamento da equipe do banco. Por exemplo, certos grupos de clientes podem receber tratamento preferencial, ou os funcionários podem inconscientemente favorecer clientes específicos. Além disso, os próprios clientes podem escolher quais empréstimos solicitar com base em diversos fatores, levando à auto-seleção.

#Focando no Viés de Seleção

Na nossa pesquisa, queremos investigar como o viés de seleção afeta o aprendizado de modelos de precificação personalizada com os dados disponíveis. Nossa abordagem envolve analisar a precificação de empréstimos pela perspectiva da inferência causal, ou seja, a gente vê isso como um cenário envolvente de tratamento (o preço do empréstimo oferecido) e seu efeito (a resposta do cliente).

Pra explorar isso, fizemos experimentos usando um conjunto de dados relacionado a aplicações de empréstimos hipotecários na Bélgica. Nosso objetivo era ver como diferentes Métodos Estatísticos poderiam identificar curvas de resposta de oferta de forma individual, que representam como os clientes reagem a vários preços de empréstimos.

#Examinando o Processo de Precificação de Empréstimos

Quando um cliente busca um empréstimo, o processo geralmente se desenrola em algumas etapas:

1. O cliente procura vários bancos pra discutir empréstimos potenciais.
2. Cada banco coleta informações sobre o cliente e avalia as possíveis condições do empréstimo.
3. Os bancos podem rejeitar o cliente ou oferecer uma proposta de empréstimo, que inclui um preço conhecido como oferta.
4. Por fim, o cliente revisa as ofertas e decide se vai aceitar alguma delas.

Para nosso estudo, simplificamos esse processo pra focar na interação inicial entre o cliente e o banco. Isso significa que analisamos uma oferta de um banco e a resposta imediata do cliente.

O preço do empréstimo é geralmente composto por vários componentes, incluindo um preço base pra cobrir riscos e custos, e um componente específico do cliente introduzido pela equipe do banco com base na avaliação do cliente.

#Entendendo a Inferência Causal na Precificação de Empréstimos

Na nossa abordagem de precificação de empréstimos, olhamos para os dados históricos que os bancos têm sobre seus processos de venda. Analisamos como as características dos clientes, as ofertas feitas pra eles e suas decisões de aceitar ou rejeitar essas ofertas podem fornecer insights sobre as respostas de oferta individuais.

Assumimos que pra cada oferta de empréstimo, existe um resultado potencial correspondente sobre se o cliente aceitaria a proposta. Todas as informações que observamos são conhecidas como dados factuais, enquanto os resultados potenciais para combinações não observadas de características do cliente e ofertas são considerados Contrafactuais.

#Viés de Seleção e Seu Impacto

Um dos principais focos do nosso trabalho é o viés de seleção e como ele afeta os dados que os bancos usam pra definir os preços dos empréstimos. O viés de seleção surge das políticas de precificação estabelecidas nos bancos, levando a um tratamento desigual de diferentes grupos de clientes.

Na nossa análise, identificamos várias razões para o viés de seleção, incluindo:

• Políticas de precificação estabelecidas que podem levar alguns clientes a receber ofertas mais altas ou mais baixas com base na atribuição de grupo.
• Estereótipos implícitos mantidos pela equipe do banco, resultando em condições de oferta desiguais.
• Variações na auto-seleção do cliente, como indivíduos optando por não solicitar empréstimos específicos com base em seu status socioeconômico.

Manter previsões precisas na presença de viés de seleção é crucial, especialmente porque os bancos frequentemente se baseiam em dados históricos pra tomadas de decisão. Modelos imprecisos podem resultar de ignorar esses viés.

#Prevendo Respostas dos Clientes a Ofertas de Empréstimos

Pra modelar como os clientes respondem às ofertas de empréstimos, avaliamos vários métodos estatísticos. Nós categorizamos esses métodos em modelos paramétricos (que fazem suposições sobre a estrutura dos dados) e não paramétricos (que não fazem). Também incluímos métodos causais destinados a mitigar os efeitos do viés de seleção.

Nossos experimentos envolveram comparar como esses modelos preveem as respostas individuais às ofertas e avaliar sua eficácia na tomada de decisões operacionais:

1. Precificação Ingênua: Assume que a oferta feita é a melhor oferta pra cada cliente, sem modelar as respostas.
2. Regressão Logística: Um método amplamente usado em várias áreas, eficaz na estimativa de modelos de resposta a ofertas devido à sua clareza e simplicidade.
3. Classificador Random Forest: Combina várias árvores de decisão pra melhorar a precisão da previsão e reduzir a variância.
4. Redes Neurais Artificiais: Ferramentas poderosas pra várias tarefas de previsão, permitindo modelagem flexível de relações complexas.

Além dos métodos tradicionais, implementamos técnicas de aprendizado de máquina causal especificamente projetadas pra lidar com o viés de seleção:

• Estimador Hirano-Imbens: Usa uma pontuação de propensão generalizada pra modelar as respostas às ofertas estimando a atribuição de tratamento.
• DRNets: Adaptação pra estimar efeitos de intervenções contínuas, aprendendo representações compartilhadas a partir de dados de treinamento.
• VCNets: Extensão do DRNets, onde os coeficientes do modelo variam com base no nível de intervenção, permitindo relações mais contínuas.

#Realizando Experimentos e Analisando Resultados

Pra este estudo, usamos um conjunto de dados real com mais de 12.000 ofertas de empréstimos de um banco belga. Identificamos e padronizamos variáveis-chave relevantes pra precificação, garantindo que não houvesse dados ausentes.

Dadas as dificuldades de avaliar previsões na precificação de empréstimos, adotamos um conjunto de dados semi-sintético pra gerar resultados potenciais. Isso nos permitiu controlar fatores que afetam o viés de seleção e simular vários cenários de resposta.

#Resposta de Oferta Real

Nos nossos experimentos, estabelecemos critérios pra representar com precisão as funções de resposta de oferta. Geramos dois tipos de curvas de resposta de oferta de verdade pra análise:

1. Curvas de Richards: Uma função logística que define as probabilidades de aceitação do cliente em diferentes níveis de oferta.
2. Curvas Sigmoides Empilhadas: Outra forma de função de resposta de oferta, caracterizada por uma combinação de duas curvas sigmoides pra testar o desempenho do modelo em condições não lineares.

#Atribuição de Ofertas Factuais

Pra controlar diferentes níveis de viés de seleção, amostramos ofertas factuais de uma distribuição beta. Essa abordagem nos permitiu simular cenários onde não existe viés até casos com viés significativo.

#Métricas de Avaliação

Nós avaliamos a eficácia de cada método usando três principais métricas de desempenho:

• Erro Médio Integrado ao Quadrado (MISE): Mede a precisão das respostas previstas a ofertas em todas as ofertas observadas.
• Erro de Política (PE): Avalia o quão bem um método identifica a oferta ótima pra maximizar lucros.
• Pontuação Brier (BS): Avalia a capacidade de cada modelo de estimar o resultado real das ofertas de empréstimos.

#Descobertas Experimentais

Depois de rodar várias simulações, analisamos nossos resultados com base na eficácia da modelagem das respostas às ofertas. Descobrimos que os métodos tradicionais mostraram graus variados de resiliência ao viés de seleção, especialmente à medida que a função de resposta da oferta se tornava mais complexa.

1. Ao usar a curva de Richards como verdade de base, tanto a rede neural padrão quanto a regressão logística apresentaram os melhores resultados. Notavelmente, a regressão logística mostrou menor suscetibilidade ao aumento do viés de seleção, enquanto métodos causais como DRNets tiveram dificuldades em níveis mais altos de viés.

2. No caso de curvas sigmoides empilhadas complexas, o classificador random forest teve o pior desempenho sob viés de seleção, enquanto a rede neural se saiu bem sem viés nenhum, mas enfrentou desafios com condições de viés aumentadas. DRNets mostraram melhora conforme os níveis de viés aumentavam, sugerindo sua robustez diante de tais desafios.

3. Os resultados da pontuação Brier destacaram que alguns métodos podem ter um bom desempenho na previsão de resultados sob políticas existentes, mas podem falhar em generalizar entre diferentes níveis de ofertas. Isso sublinha a necessidade de métricas de avaliação mais sutis ao avaliar modelos de precificação.

#Conclusões e Implicações

Nossa pesquisa ressalta a importância de considerar o viés de seleção nos modelos de precificação de empréstimos. Abordagens tradicionais podem não lidar adequadamente com esse problema, levando a erros sistemáticos nas previsões. Isso pode resultar em estratégias de precificação ineficazes que, em última análise, prejudicam a rentabilidade do banco.

Métodos de aprendizado de máquina causal parecem promissores pra superar os desafios impostos pelo viés de seleção. No entanto, há limitações na eficácia deles, e mais pesquisas são necessárias pra desenvolver ainda mais essas abordagens e aplicá-las em cenários do mundo real.

Trabalhos futuros devem focar em refinar métodos pra estimar respostas de ofertas a partir de dados observacionais, especialmente em intervenções com valores contínuos. Isso poderia aprimorar a aplicação de aprendizado de máquina causal em várias áreas, incluindo avaliação de risco e avaliação de políticas.

Além disso, mais pesquisas são necessárias pra determinar a extensão do viés de seleção em dados do mundo real e os efeitos de suposições como sobreposição e ausência de confusão. Compreender esses elementos será crucial pra garantir que o aprendizado de máquina causal possa ser aplicado efetivamente nas decisões de precificação em operações bancárias e de crédito.

Resumindo, nossas descobertas ressaltam a necessidade vital de os bancos desenvolverem modelos de precificação mais sofisticados que levem em conta o viés de seleção, pois falhar em fazê-lo pode trazer desafios de longo prazo no cenário competitivo de empréstimos.