Score e estratégias

Dois níveis de estratégia

No RiskBands, vale separar duas decisões:

1. strategy Decide como o binning é construído.
2. score_strategy Decide como os candidatos são avaliados e comparados.

strategy

Hoje a API expõe principalmente:

• supervised
• unsupervised

Em geral:

• use supervised quando o target já está disponível e você quer cortes guiados pela separação;
• use unsupervised quando quer uma estrutura mais simples ou um baseline interno de comparação.

score_strategy

Os valores públicos válidos agora são:

• legacy
• stable

stable substitui a nomenclatura pública usada anteriormente e passa a ser o nome recomendado daqui para frente.

Quando usar stable

stable é a estratégia preferida quando a pergunta real é:

entre candidatos plausíveis, qual equilibra melhor separação e robustez temporal?

Ele é especialmente útil quando você se importa com:

• variância temporal do WoE
• drift entre janelas
• inversões de ranking entre bins
• PSI
• separação suficiente sem sacrificar estabilidade

Em termos práticos, stable é orientado a minimização:

• menor objective_score é melhor
• maior objective_preference_score continua ajudando em comparações consolidadas

Quando usar legacy

legacy continua útil quando você quer:

• reproduzir a leitura histórica do projeto
• comparar com o comportamento anterior
• usar um score mais próximo da formulação antiga baseada em componentes positivos menos penalidades

normalization_strategy

Hoje o valor suportado é:

• absolute

Ele existe para colocar os componentes do objective em escala comparável mesmo quando apenas um candidato está sendo avaliado.

Na prática:

• evita somar grandezas incompatíveis
• ajuda a leitura dos componentes normalizados em score_details()
• mantém o objective utilizável com e sem Optuna

woe_shrinkage_strength

Esse parâmetro controla o quanto o WoE temporal é puxado para uma referência mais estável antes de entrar nos componentes do score.

Intuição prática:

• valor maior: mais suavização, menos sensibilidade a ruído e bins pequenos
• valor menor: mais fidelidade ao comportamento observado, com maior sensibilidade a oscilação

Quando aumentar:

• bases pequenas
• bins raros
• séries temporais curtas ou barulhentas

Quando reduzir:

• amostra maior
• bins bem suportados
• necessidade de capturar variações temporais mais finas

Exemplo completo

from riskbands import Binner

binner = Binner(
    strategy="supervised",
    score_strategy="stable",
    score_weights={
        "temporal_variance_weight": 0.22,
        "window_drift_weight": 0.18,
        "rank_inversion_weight": 0.20,
        "separation_weight": 0.20,
        "entropy_weight": 0.08,
        "psi_weight": 0.12,
    },
    normalization_strategy="absolute",
    woe_shrinkage_strength=35.0,
    check_stability=True,
)

Como pensar separação versus estabilidade

Uma regra prática:

• se você só maximiza IV estático, pode escolher um candidato frágil no tempo;
• se você só maximiza estabilidade, pode escolher um candidato quase inútil;
• stable tenta equilibrar essas duas forças explicitamente.

Próximos passos

• Outputs e diagnóstico
• Optuna
• Visão geral da API