在未来发展趋势下，信用风险组合模型需要注意以下几个问题：
数据质量：随着大数据和人工智能技术的发展，数据量虽然增大，但数据质量的问题也变得更加突出。在建立信用风险组合模型时，需要确保数据的准确性、完整性和一致性，避免垃圾数据对模型的影响。
模型解释性：随着深度学习等黑盒模型的应用，模型的解释性成为一个重要问题。管理者需要理解模型背后的逻辑和因果关系，以便更好地应对风险。
非线性关系：传统的线性模型可能无法捕捉到信用风险中的复杂非线性关系。在建立信用风险组合模型时，需要考虑非线性因素的影响，选择适合的非线性建模方法，如决策树、神经网络等。
模型更新频率：随着市场环境的不断变化，信用风险组合模型需要及时更新以反映最新的情况。管理者需要建立有效的模型监控和更新机制，确保模型的持续有效性。
跨领域数据整合：信用风险受多方面因素影响，包括经济环境、行业发展等。在建立信用风险组合模型时，需要整合跨领域的数据，综合考虑各种因素对信用风险的影响。
风险评估标准：不同行业、不同企业的信用风险特点各异，需要根据实际情况制定相应的风险评估标准。管理者可以借鉴行业内的最佳实践，建立符合企业实际情况的信用风险评估标准。
总的来说，未来发展趋势下，信用风险组合模型需要更加关注数据质量、模型解释性、非线性关系、更新频率、跨领域数据整合和风险评估标准等问题，以更好地应对复杂多变的信用风险环境。