这至少在一定程度上取决于您的模型类型和编码策略。听起来您将是单热编码，“丢失”和/或“新”可能具有级别/虚拟。鉴于您说您不会估算，我猜您将使用基于树的模型？

如果您对看不见的类别有专门的级别，那么经过训练的模型将不知道如何处理它。结果将因模型构建错误、虚拟特征的零输入以及虚拟特征的随机贡献而异。

将新类别分配给缺失的类别会更好一些，但这取决于您在模型训练中如何处理缺失值（但您说过您不想估算）。至少它给出了一致的结果。这甚至可能是最佳选择，具体取决于您的数据。

在您的阐述中，您提到了银行名称，这暗示了一个替代方案（可能是几个）。
也许这些看不见的银行会与训练集中的银行有一些共性（它们可能很小而且是本地的？）；如果是这样，您可以尝试粗化训练集中的类别，以便这些新类别很好地落入这些类别（然后将所有未来看不见的银行编码到该新类别中；记下以在重新训练时重新检查此过程！） .
如果您的训练数据有很多小级别，那么将稀有类别放在一起也是有意义的（以帮助避免过度拟合）；在这种情况下，您可以将新级别放入该级别。再次取决于您的数据，这可能会很好（小型和本地也很少见，因此在这种情况下这会意外恢复最后一个想法）。