机器学习在商业银行个人信用评价中的应用.pdfVIP

FINTECH金融科技创新

INNOVATION

机器学习在商业银行个人信用评价中的应用

中国农业银行山东省分行张兴森

金融科技时代，机器学习在不断地改变着我们的生时，特征变量与目标变量相关。

活，为商业银行不断创造新的价值。信用评价是商业银如果训练集的特征变量与目标变量相关较少，就要

行用于风险防控的有效手段，而基于机器学习的个人考虑增加衍生变量。衍生变量是在原始变量的基础上，

信用评价模型可以协助银行工作人员预测客户的违约风按照一定业务规则生成的变量。衍生变量的生成，需要

险，最小化产生不良的概率。业务部门的信贷人员参与。

基于机器学习的商业银行个人信用评价模型是预先2.参与训练模型的特征变量的数量

没有业务规则或业务逻辑的，需要设计学习算法，或借在模型训练过程中，并不是特征变量越多越好。特

助已有机器学习算法，并结合信贷人员经验，利用大量征变量多，容易造成过拟合。在实践中，一般情况下，

训练数据集，学习（总结、提炼）得到业务规则或业务特征变量十多个即可，这样构建的模型更稳定。比如对

逻辑，产生个人信用评价模型，然后将该模型运用到常于线性回归，如果使用高阶回归，对训练集拟合非常好，

规程序中。但适应性较差，反而不如低阶回归。

3.选取建模变量

一、构造个人信用评价特征

本文选取的用于个人信用评价建模变量，包含有性

个人信用评估本质上是机器学习中的分类问题，即别、职业、婚姻状态、教育程度、单位性质等5项个人

根据客户的特征后将客户分为可信的“好”客户（正例）基本信息，将其量化后见表1。建模变量还包含个人的

与不可信的“坏”客户（反例），从而为银行放贷者提信用卡账单这类行为信息，具体的信息有上期账单金额、

供决策依据。对于分类问题，在训练模型之前，需要分上期还款金额、信用卡额度、本期账单余额、本期账单

析确定哪些特征变量（客户基本属性与行为特征及其衍最低还款额、消费笔数、本期账单金额、调整金额、循

生属性）与目标变量（客户的“好”与“坏”）相关，环利息、可用金额、预借现金额度、还款状态等个人信

以便将此特征输入已构建的模型。用卡行为信息，在此不展开讨论。

1.特征变量相关性

二、个人信用评价模型中常用的机器学习算法

所谓相关的特征变量，就是变量的不同取值，对目

标变量取值有影响的变量，即具有较强类别区分能力的1.线性回归

变量。一般地，利用WOE、IV指标，评判变量的相关性。线性回归可以满足实际的基础个人信用评价业务需

指标定义如下：要。而比较简单的线性回归是一元线性回归，只有一个

自变量，线性方程为：。对于一元线性

回归参数a和b估计，运用最小二乘法，求解使所有数

据实例的预测目标值与实际观察值差的平方

当IV=0时，特征变量与目标变量不相关。当IV＞0和最小化的a与b，即：使最小

34FINANCIALCOMPUTEROFCHINA