基于大數據及機器學習方法的貸款違約風險評估

程朋媛（天津財經大學）

■ 前言

Fintech 推動了數字時代金融經濟的創新和可持續發展。它全面涵蓋了營銷、風險控制、貸款、投資顧問和客戶服務、移動支付的誕生、數字貸款、在線保險等重要業務流程。對金融產業鏈、供應鏈和增值鏈產生了深遠的影響。

一方面，互聯網金融的發展，為更多有融資需求的客戶提供了便利快捷的服務。無論是傳統的金融機構，還是新興的P2P 行業，都希望獲得盡可能多的客戶，同時控制風險，因此研究我國個人信用評估、有效識別消費貸款信用風險顯得尤為重要。另一方面，越來越多的商業銀行利用所收集的信息進行信用風險評估，構建評分模型，期望達到提高運營效率和降低貸款成本的效果。本文嘗試運用不同的機器學習方法，探究機器學習方法在信用風險評估方面的應用，為商業銀行在控制信用風險方面提供新的可能。

■ 模型理論與方法

（一）機器學習方法

本文主要選取了以下八種機器學習算法：

（1）邏輯回歸算法（Logistic Regression，LR）

（2）隨機森林Random Forest

（3）梯度提升樹GBDT(Gradient Boosting Decision Tree)

（4）決策樹ID3

（5）KNN 學習模型

（6）樸素貝葉斯（Naive Bayes）分類算法

（7）XGBoost

（8）LightGBM

（二）評估方法

本文用AUC 作為評價指標，AUC 大小是指ROC 曲線和坐標軸圍成的面積，以此來度量分類模型的好壞程度。ROC（Receiver Operator Characteristic）是一個二維坐標軸中的曲線，橫坐標是偽正例率（FPR=FP/(FP+TN)），縱坐標是真正例率（TPR=TP/(TP+FN)）。ROC 沒有具體數值，所以出現了AUC 值。一般來說，AUC 越大表示預測性越好。

■ 數據處理與特征工程

（一）數據介紹

出于銀行數據安全性及可得性考慮，未采用真實客戶信息，而是以天池貸款數據集為基礎，對算法進行實現。

天池違約數據集中總數據量100 萬行，維度包含客戶id及對應的各項特征，具體有：用戶id、貸款金額、利率、分期付款金額、貸款等級和子級、就業職稱、年限、房屋所有權狀況、年收入、驗證狀態、貸款發放的月份、貸款人在貸款申請時的貸款用途類別、借款人郵政編碼前3 位、地區編碼、債務收入比、借款人過去2 年信用檔案中逾期30 天以上的違約事件數量、借款人在貸款發放時的fico 所屬的上、下限范圍、借款人信用檔案中未結信用額度的數量、貶損公共記錄的數量、公開記錄清除的數量、信貸周轉余額合計、循環額度利用率、借款人信用檔案中當前的信用額度總數、貸款的初始列表狀態、表明貸款是個人申請還是與兩個共同借款人的聯合申請、借款人最早報告的信用額度開立的月份、借款人提供的貸款名稱、公開可用的策略_代碼=1 新產品不公開可用的策略_代碼=2、匿名特征n0-n14。

（二）數據預處理

1.內存優化

原始數據有100 多萬條，后續進行特征工程會導致更多的內存損耗，因此有必要進行內存優化，減少數據占用存儲空間大小。

2.缺失值處理

數值型特征用中位數填充，對象型特征用眾數填充。

3.時間格式處理

issueDate 日期變量，貸款發放時間，轉換為離數據集最早的發放時間的天數差，貸款人最早報告的信用額度的時間轉化為距離2021 的年數。

4.對象類型特征數值化

對象類型特征有“grade”，“subGrade”和“employmentLength”“grade”和“subGrade”都是表示貸款等級的特征，因此應該是有一定的順序的，比如A ＞B，A1 ＞A2 之類，因此可以直接映射成數值。

（三）特征工程

主要流程為：

1.根據相關性特征剔除部分變量，再根據理論剔除對貸款違約概率影響微小的用戶特征。

2.為衡量用戶價值與創利能力，自定義以下可解釋特征。

就業后的總收入=年收入×就業年限；每年貸款金額=貸款額/貸款年限

本息和=分期付款金額×貸款年限；負債收入比=每年貸款額/每年收入

每年剩余收入=年收入-貸款額；剩余信用額度=總額度-周轉額度

3.對匿名的十五個特征計算常用統計量，根據不同統計量與違約概率的相關性選取平均值和方差這兩個特征變量替代原有的匿名特征。

■ 貸款違約風險評估模型建立及分析

（一）模型設計

本文基于天池貸款數據集，將數據分為訓練集與測試集，先對客戶各個指標進行特征分析，選出最終使用的用戶特征，再以不同算法對模型進行訓練，通過對精度進行比較，選出預測最準的算法作為我們的后臺。同時連接數據庫，搭建面向客戶的前臺，對新舊客戶進行區分，老客戶只需輸入id 號（代表身份證號，虛擬數據集因此用id 顯示）即可得到對該客戶的信用評分及其違約的概率。新客戶需要輸入一些基本信息（id、年收入、貸款金額、貸款期限、貸款利率、工齡時間、是否有房），以此為基礎對其信用評分及違約概率進行預測。

（二）主要建模流程

1.特征工程：對數據進行預處理，刪除冗余特征，通過特征工程對特征進行篩選，選出較為關鍵的特征。

2.機器學習算法：采用八種不同的機器學習算法對模型進行訓練（LR、Random Forest、GDBT、ID3、KNN、NB、Xgboost、lightgbm）。

3.模型評估：以AUC 值為評估標準，選取AUC 值較大的算法，采用網格搜索調參進一步優化，得到訓練好的模型作為最終預測模型。

（三）訓練模型結果

通過AUC 值對比，Lightgbm 模型最優，通過網格調參進行進一步優化，得到最終要選用的模型。

■ 總結

本文著眼于金融科技對銀行的運用，在金融行業構建風險模式、模擬貸款違約的背景下，嘗試將機器學習應用于金融風險控制領域。使用天池貸款的默認數據進行模擬，分別試驗了8 種不同的機器學習算法，預測了貸款的違約概率和個人顧客的信用評價。結果，Lightgbm 優于其他模型，達到較高的AUC，在測試組中表現出更強的穩定性。展望未來，金融科技發展有以下趨勢：隱私計算關注度快速提升；妥善解決數據安全和數據質量通點成為金融科技高質量發展的重要前提；深耕技術是企業發展策略的中心，加大研發和人員投入是關鍵著力點等。

對銀行應用金融科技有以下幾點建議：

（1）堅持強化金融科技創新應用的惠民利企導向。

（2）健全開放、共贏、平衡的金融科技生態體系。積極支持通過聯合實驗室等形式，加強關鍵共性技術研發和金融應用項目攻關；支持政產學研多方合作參與甚至主導有關國際標準規則研制；推動大型機構向中小機構輸出風控、合規、運營等數字化工具；支持中小機構依托行業協會、產業聯盟等平臺，適度降低數字化轉型成本。

（3）繼續發揮引導行業規范發展的作用。建議進一步發揮行業自律在支撐配合行政監管、規范從業機構行為等方面的積極作用，持續加強行業統計和風險監測體系建設，精準開展金融消費者保護和政策宣貫，積極推進金融科技國際雙向交流合作。