Alla är förvirrade, jag är med andra ord otydlig och opedagogisk precis som jag brukar vara
Min fråga handlar egentligen om hur man hanterar den modellfloran man har EFTER det att man använt alla de gängse utvärderingskriterierna såsom Signifikans, Liftkurvor etc. Min erfarenhet är att en modell som är tekniskt bäst inte tvunget ger den bästa prissättningen då det finns en del fallgropar som man inte fångar i de vanliga ramarna. Jag försöker förklara igen:
1. edge - Jag gör en modell, estimerar egna odds mha modellen på simuleringsdata. Jag jämför mina odds mot marknadens och får en edge uppskattning som givetvis varierar. Sen plottar jag edge mot ROI på simulerad data. Jag menar att ett vikigt kriterie för mig är att den kurvan blir strikt växande, högre edge ska ge högre ROI. Inte helt uppenbart att det gör så nämligen, många gånger jag fått hack i kurvan, bulor på fel ställen som gör modellen ologisk och därmed minskad tillförlitlighet.
2. Portföljtillväxt - Här menar jag egentligen att modellen ska vara konsistent över tid för att ha hanterat säsongsvariationer etc på ett korrekt sätt. Jag vill alltså inte ha en modell som predikterade 2012 skitbra men 2013 skitdåligt (men som på totalen kan se ok ut).
3. Lönsam per argument - exempelvis om jag bygger en modell som estimerar odds i intervallet 1-10 så vill jag också att den gör det bra i hela det intervallet och inte bara i 1-3 eller nåt. Återigen handlar det om att modellen ska vara logisk och konsistent.
Min förhoppning var att det fanns någon modellbyggare som kände igen sig i problematiken och kanske hade någon annan utvärderingsfaktor som den värderade högt.