机器学习模型可解释性SHAP值在信贷审批中的应用.docxVIP

机器学习模型可解释性SHAP值在信贷审批中的应用

一、信贷审批数字化转型中的可解释性现实需求

随着数字技术与金融业务的深度融合，信贷审批模式已经从过去依赖人工经验判断、简单评分卡筛选的传统模式，逐步转向以机器学习模型为核心的自动化智能审批模式，这一转变在大幅提升服务效率、扩大服务覆盖面的同时，也催生了对模型可解释性的迫切需求。

（一）机器学习驱动信贷审批效率与精度双升

传统信贷审批模式下，审核人员需要逐笔核验申请人的资质材料，不仅审批周期长、人力成本高，审核标准也容易受到审核人员主观判断的影响，难以保持一致性。早期的自动化审批主要采用逻辑回归搭建的评分卡模型，虽然规则清晰、容易解释，但受限于模型的表达能力，只能捕捉特征和风险之间的线性关系，对高维度、非线性的风险信号识别能力不足，难以覆盖缺乏征信记录的长尾客群。近年来普惠金融的持续推进，让信贷服务的覆盖群体不断下沉，可用的风险评估维度也从传统的征信记录、收入证明拓展到公共缴费记录、消费行为特征等多源替代数据，机器学习模型因为能够自动捕捉复杂的非线性风险关系、处理高维度数据，被越来越多的信贷机构应用到审批流程中。相关实证研究显示，在覆盖长尾客群的信贷场景中，梯度提升树类集成模型的违约识别准确率较传统评分卡模型提升近两成，能够有效降低信贷机构的不良率水平（巴曙松等，2022）。依托机器学习模型，多数机构已经实现了秒级自动化审批，一笔贷款