riskbands 2.2.0

Interpretable binning with temporal stability diagnostics for credit risk, PD, and scorecard workflows.

RiskBands

Binning para risco de credito com foco em robustez temporal, comparacao entre candidatos e racional auditavel.

Documentacao oficial | PyPI | Benchmark PD vintage | Quickstart | Auditoria e plots | API

---

O que e o RiskBands

O RiskBands e uma biblioteca para construir, comparar e auditar candidatos de binning quando o problema real nao e apenas maximizar uma metrica estatica, mas tambem defender o resultado ao longo do tempo.

Ele foi pensado especialmente para contextos como:

• modelos de PD
• scorecards de credito
• variaveis com drift temporal
• leitura relevante por safra ou vintage
• estruturas com bins raros, baixa cobertura ou reversoes de ranking

A pergunta central do projeto e simples:

Um binning que parece otimo no agregado continua defensavel quando voce abre o comportamento por safra?

Onde o projeto se diferencia

O OptimalBinning ja resolve muito bem o problema de corte estatico. O RiskBands nao tenta negar isso.

No fluxo supervisionado numerico do repositorio atual, o projeto reaproveita optbinning.OptimalBinning no backend do corte estatico. O diferencial esta no que vem depois:

• diagnostico temporal por variavel, bin e periodo
• penalizacoes estruturais para fragilidade, baixa cobertura e volatilidade
• comparacao entre candidatos via BinComparator
• score objetivo mais alinhado a trade-offs de risco de credito
• resumos auditaveis para explicar por que um candidato venceu

Em outras palavras:

• OptimalBinning puro ajuda a encontrar um bom corte estatico
• RiskBands ajuda a decidir se esse corte continua sendo a melhor resposta para credito quando o tempo entra na analise

Arquitetura de score

O repositório agora expõe dois caminhos explícitos de score:

• standard Mantém o objetivo histórico baseado em componentes positivos menos penalidades. legacy segue aceito apenas como alias compatível.
• stable Introduz a estratégia pública recomendada para robustez temporal, orientada a minimização, com componentes normalizados e foco em equilíbrio entre separação e estabilidade.

O stable combina:

• variância temporal ponderada do WoE shrinkado
• drift entre janelas adjacentes
• penalidade de inversão de ranking entre bins
• penalidade de separação insuficiente
• entropy penalty para distribuições degeneradas
• PSI como proxy de estabilidade em produção

Todos os componentes são normalizados em modo absoluto, então o score funciona mesmo quando apenas um candidato está sendo avaliado.

Os pesos padrão são:

• 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

O shrink de WoE é tratado como camada de robustez, não como score isolado:

• WoE raw por bin e período
• shrink em direção ao WoE global do bin
• uso do WoE shrinkado nos componentes temporais

Instalacao

Instalacao base:

pip install riskbands

Extra opcional para graficos Plotly e export HTML dos benchmarks:

pip install "riskbands[viz]"

Extra opcional para uso e testes com PySpark:

pip install "riskbands[spark]"

Para desenvolvimento, testes e notebooks:

git clone https://github.com/joaaomaia/RiskBands.git
cd RiskBands
pip install -e .[dev]

Pacote no PyPI: riskbands.

Como comecar

Porta tecnica:

• Instalacao
• Quickstart
• Visao geral da API
• Exemplos

Porta metodologica:

• Por que RiskBands
• Por que nao usar apenas OptimalBinning
• Benchmark PD vintage
• Como ler os graficos
• Robustez temporal em risco de credito

Tipos de entrada suportados

A API reconhece pandas.DataFrame, pandas.Series e, com o extra opcional riskbands[spark], PySpark DataFrame.

O fluxo pandas continua igual: fit(df, y="target", column="score", time_col="month") ou uma lista de colunas em um DataFrame pandas.

No PySpark, o fit usa amostragem controlada por sample_size, converte a amostra para pandas e reaproveita o motor estatistico atual. O transform preserva PySpark DataFrame e usa expressoes Spark nativas.

Variaveis categoricas e overrides

Colunas categoricas podem ser marcadas explicitamente com force_categorical. O tratamento de categorias raras, valores missing e categorias desconhecidas no transform e deterministico, com mapeamento aprendido no fit.

binner = RiskBands(
    strategy="supervised",
    force_categorical=["rating_interno"],
)

Quando a inferencia automatica de tipo nao for suficiente, use force_numeric e force_categorical para fixar a intencao. A mesma coluna nao deve aparecer nas duas listas; isso e tratado como conflito.

binner = RiskBands(
    strategy="supervised",
    force_numeric=["qtd_restritivos"],
    force_categorical=["rating_interno"],
)

Missing values auditaveis

missing_policy controla como valores ausentes nas features selecionadas entram no binning:

• standard e o default e preserva o comportamento historico congelado na Sprint A.
• separate_bin e opt-in e cria bin explicito Missing, incluindo missing categorico.
• forbid falha em fit ou transform quando houver missing nas features selecionadas.

Bundles novos persistem missing_policy, effective_missing_policy, missing_profile e missing_decision_log. Bundles antigos sem esses campos carregam como standard.

Destaques da versao 2.2.0

A versao 2.2.0 consolida a politica auditavel de missing values:

• missing_policy="standard" permanece como default compativel.
• missing_policy="separate_bin" cria bin explicito Missing quando essa escolha for intencional.
• missing_policy="forbid" falha quando missing values devem ser tratados antes do binning.
• standard e o nome canonico do score historico; legacy segue como alias compativel.
• pandas e PySpark seguem suportados, com PySpark opcional via riskbands[spark] e restrito a pyspark>=3.5,<4.
• bundles antigos seguem carregando como standard quando nao possuem os novos campos de missing policy.

Fora do escopo desta versao: merge policies, imputacao inteligente opaca e um backend Spark distribuido completo para fitting.

Export auditavel e supply chain

export_bundle(...) gera artefatos tabulares e JSON para auditoria. Nomes de features usados nos artefatos exportados sao sanitizados para evitar paths inseguros, mantendo a rastreabilidade dos nomes originais no manifest.

Dependencias de solver e verificacoes de supply chain ficam resumidas em docs/supply_chain_dependencies.md.

Quickstart minimo

import numpy as np
import pandas as pd

from riskbands import RiskBands

rng = np.random.default_rng(0)
n = 800

df = pd.DataFrame({"score": rng.normal(size=n)})
df["month"] = rng.choice([202301, 202302, 202303, 202304], size=n)

proba = 0.20 + 0.15 * df["score"] + 0.02 * (df["month"] - 202301)
proba = np.clip(proba, 0.01, 0.99)
df["target"] = (rng.random(n) < proba).astype(int)

binner = RiskBands(
    strategy="supervised",
    max_n_bins=5,
    check_stability=True,
    monotonic="ascending",
    min_event_rate_diff=0.03,
    score_strategy="stable",
    normalization_strategy="absolute",
    woe_shrinkage_strength=40.0,
)

binner.fit(df, y="target", column="score", time_col="month")
score_bins = binner.transform(df["score"])
summary = binner.summary()
score_table = binner.score_table()
audit_table = binner.audit_table()

binner.export_binnings_json("artifacts/riskbands_binnings.json")
binner.export_bundle("artifacts/quickstart_run")

binner.plot_bad_rate_over_time(df, y="target", column="score", time_col="month")
binner.plot_bad_rate_heatmap(df, y="target", column="score", time_col="month")
binner.plot_bin_share_over_time(df, y="target", column="score", time_col="month")
binner.plot_score_components(column="score")

Fluxo mais amigavel, no estilo sklearn/pandas:

• fit(df, y="target", column="score", time_col="month")
• transform(df) ou transform(df["score"])
• fit_transform(df["score"], y=df["target"])
• binning_table(), score_table(), audit_table(), report(), diagnostics()
• export_binnings_json() e export_bundle() para auditoria e governanca
• plots diretos para bad rate, heatmap, share temporal e score components
• get_params() e set_params(...) com aliases como max_n_bins e monotonic_trend

Customização do objective

binner = RiskBands(
    strategy="supervised",
    check_stability=True,
    use_optuna=True,
    time_col="month",
    score_strategy="stable",
    score_weights={
        "temporal_variance_weight": 0.18,
        "window_drift_weight": 0.16,
        "rank_inversion_weight": 0.22,
        "separation_weight": 0.24,
        "entropy_weight": 0.08,
        "psi_weight": 0.12,
    },
    normalization_strategy="absolute",
    woe_shrinkage_strength=35.0,
    strategy_kwargs={"n_trials": 10},
)

from riskbands import Binner remains supported for existing code; new examples prefer RiskBands.

Leitura rápida:

• no standard, maiores scores continuam melhores
• no stable, menores scores são melhores
• relatórios auditáveis expõem score final, componentes raw, componentes normalizados, pesos, estratégia e parâmetros de shrink

Benchmark principal do repositorio

O benchmark mais importante hoje compara tres lentes:

1. OptimalBinning puro como baseline externa
2. RiskBands estatico como baseline interna
3. RiskBands balanceado/temporal como abordagem orientada a credito

Materiais principais:

• pd_vintage_benchmark.py
• pd_vintage_benchmark.ipynb
• riskbands_synthetic_plotly_comparative_demo.ipynb
• stable_score_demo.py
• pd_vintage_champion_challenger.py
• temporal_stability_example.py

O que o projeto nao tenta ser

O foco do RiskBands e binning. Ele nao tenta, sozinho, ser:

• pipeline completo de modelagem de PD
• framework de monitoramento de carteira
• solucao completa de MLOps para credito

A proposta e ser uma camada especializada e forte de decisao sobre binning.

Mensagem principal

O RiskBands nao tenta substituir a forca do OptimalBinning.

Ele tenta responder melhor a pergunta que aparece no mundo real de credito:

Entre os candidatos que parecem bons no agregado, qual continua mais defensavel quando o tempo entra na decisao?