基于改進(jìn)分類組合的個(gè)人信貸信用風(fēng)險(xiǎn)預(yù)測(cè)模型研究

楊沛衡 吳東鵬 徐典

摘要：隨著我國(guó)互聯(lián)網(wǎng)金融行業(yè)的持續(xù)規(guī)范和個(gè)人征信體制的不斷完善，大數(shù)據(jù)機(jī)器學(xué)習(xí)在信貸風(fēng)險(xiǎn)控制中的作用逐漸凸顯。文章在徐桂瓊等學(xué)者研究的基礎(chǔ)上進(jìn)行改進(jìn)，建立基于分類組合的個(gè)人信貸信用風(fēng)險(xiǎn)預(yù)測(cè)模型，其可以有效對(duì)非平衡數(shù)據(jù)集進(jìn)行處理，以滿足金融決策的實(shí)際業(yè)務(wù)需求。實(shí)證分析結(jié)果表明，該模型具有較高準(zhǔn)確率，能夠高效完成個(gè)人信貸違約預(yù)測(cè)，為行業(yè)可持續(xù)規(guī)范發(fā)展提供助力。

關(guān)鍵詞：個(gè)人信用評(píng)估;Two Step聚類;模型融合

高信任維持與低監(jiān)管運(yùn)營(yíng)成本是互聯(lián)網(wǎng)金融行業(yè)面臨的核心難題，而基于機(jī)器學(xué)習(xí)的信貸風(fēng)控模型從源頭上提供了解決方案。風(fēng)險(xiǎn)控制意識(shí)與能力的不足曾一度成為行業(yè)的頑疾，并間接誘發(fā)了2018年以來的行業(yè)整頓風(fēng)波。隨著P2P業(yè)務(wù)“三降”、網(wǎng)貸機(jī)構(gòu)轉(zhuǎn)型、個(gè)人征信體系健全、金融牌照制度改革等監(jiān)管舉措的持續(xù)推進(jìn)，行業(yè)秩序不斷改善。如今互聯(lián)網(wǎng)金融在強(qiáng)監(jiān)管與促創(chuàng)新并存的政策環(huán)境下逐漸形成了新的行業(yè)生態(tài)。

經(jīng)歷了從粗放式發(fā)展到集中整改，再到穩(wěn)健經(jīng)營(yíng)的發(fā)展歷程，監(jiān)管部門及互金企業(yè)逐漸意識(shí)到依賴金融科技構(gòu)建成熟的風(fēng)控模式在行業(yè)可持續(xù)發(fā)展、企業(yè)降本增效中的決定性作用。《金融科技發(fā)展規(guī)劃（2019～2021）》 要求，“運(yùn)用數(shù)字化監(jiān)管協(xié)議、智能風(fēng)控平臺(tái)等監(jiān)管科技手段，推動(dòng)金融監(jiān)管模式由事后監(jiān)管向事前、事中監(jiān)管轉(zhuǎn)變”;眾多企業(yè)和銀行或依靠自身實(shí)力研發(fā)智能風(fēng)控平臺(tái)，或與金融科技公司及征信機(jī)構(gòu)廣泛開展業(yè)務(wù)合作，將以大數(shù)據(jù)機(jī)器學(xué)習(xí)為核心的信貸風(fēng)控方案深度嵌入信用風(fēng)險(xiǎn)控制流程之中。已有研究表明，大數(shù)據(jù)機(jī)器學(xué)習(xí)為代表的金融科技技術(shù)能夠挖掘顆粒狀、實(shí)時(shí)性的非標(biāo)準(zhǔn)化信息，顯著降低了商業(yè)銀行的風(fēng)險(xiǎn)承擔(dān)水平，使其盈利能力得到提升。

然而，由于我國(guó)金融資源分布不均勻，金融科技應(yīng)用存在較大的個(gè)體和地域差異，網(wǎng)絡(luò)借貸中多頭共債、逃廢債現(xiàn)象仍頻繁發(fā)生，亟待成熟、穩(wěn)定的信貸違約預(yù)測(cè)模型的普及應(yīng)用。目前學(xué)術(shù)界對(duì)機(jī)器學(xué)習(xí)在建立個(gè)人信貸風(fēng)險(xiǎn)控制模型中的應(yīng)用進(jìn)行了一定的研究與探索，但仍存在特征工程精度不高、缺乏與業(yè)務(wù)實(shí)際的結(jié)合等問題。

一、文獻(xiàn)綜述

機(jī)器學(xué)習(xí)算法在金融決策支持領(lǐng)域的應(yīng)用已有豐富的成果，現(xiàn)有研究已經(jīng)逐漸從單一算法的對(duì)比與擇優(yōu)轉(zhuǎn)向不同算法間的集成與融合。集成學(xué)習(xí)通過把單個(gè)分類器的預(yù)測(cè)結(jié)果進(jìn)行組合，以使模型得到性能上的提升。對(duì)于單一分類器的選取，常按照性能接近且相關(guān)性系數(shù)低的原則進(jìn)行。目前學(xué)者已經(jīng)嘗試運(yùn)用不同方法融合單一分類器結(jié)果，并總結(jié)出stacking、blending等有效的集成方法。丁嵐、駱品亮以支持向量機(jī)為次級(jí)學(xué)習(xí)器構(gòu)建stacking集成的違約評(píng)估模型，其相較于初級(jí)學(xué)習(xí)器顯著降低了一類和二類錯(cuò)誤比例。白鵬飛等采用加權(quán)投票對(duì)SVM、RF和XGboost預(yù)測(cè)結(jié)果進(jìn)行集成，依據(jù)單個(gè)模型表現(xiàn)賦予其在加權(quán)融合公式中的權(quán)重。胡忠義等則針對(duì)以往集成方法中同一訓(xùn)練集用于所有分類器訓(xùn)練提出改進(jìn)，在對(duì)樣本進(jìn)行K均值聚類后以不同的基分類器處理不同區(qū)域樣本，從而構(gòu)建出多分類器動(dòng)態(tài)集成模型。王重仁等在移除低方差特征后使用特征遞歸消除法（RFE）進(jìn)行特征選取，使用貝葉斯優(yōu)化對(duì)XGboost算法進(jìn)行超參數(shù)的調(diào)整，發(fā)現(xiàn)這種算法相對(duì)于網(wǎng)格搜索與隨機(jī)搜索更加有效。董路安對(duì)機(jī)器學(xué)習(xí)算法指導(dǎo)決策樹構(gòu)建的傳統(tǒng)教學(xué)式方法進(jìn)行改進(jìn)，在生成偽數(shù)據(jù)集過程中結(jié)合weight-SMOTE算法改變決策樹的學(xué)習(xí)偏好，在準(zhǔn)確度、解釋性與一致性上均優(yōu)于傳統(tǒng)教學(xué)式方法與CART決策樹。

改良現(xiàn)有算法以適應(yīng)信貸審核的業(yè)務(wù)特點(diǎn)與現(xiàn)實(shí)需求，是學(xué)者研究的又一重點(diǎn)。一方面，金融決策具有“高風(fēng)險(xiǎn)”特點(diǎn)，對(duì)預(yù)測(cè)結(jié)果解釋性要求較高;另一方面，從業(yè)務(wù)實(shí)踐中積累的訓(xùn)練數(shù)據(jù)往往高度不平衡，影響模型訓(xùn)練效果。歐盟頒布的《一般數(shù)據(jù)保護(hù)條例》（GDPR）中指出，銀行所使用的信用風(fēng)險(xiǎn)評(píng)價(jià)模型需要為其預(yù)測(cè)結(jié)果提供必要的解釋，以保證申請(qǐng)人平等的貸款獲取機(jī)會(huì)。吳暉等提出模型無關(guān)類傾向評(píng)分歸因算法，輸出平均因果作用值（ACE）以衡量不同特征在多種算法中的解釋性強(qiáng)弱，發(fā)現(xiàn)對(duì)于底層理論相似的模型，同一特征的解釋性也相近。劉志慧等通過XGBoost算法構(gòu)建違約預(yù)測(cè)模型，并將模型輸出的概率值轉(zhuǎn)換為傳統(tǒng)的信用評(píng)分值，從而提高算法結(jié)果在金融業(yè)務(wù)中的可操作性。陳戰(zhàn)勇在構(gòu)建信用評(píng)分卡過程中同時(shí)考慮借款人“硬信息”和“軟信息”，將定性變量經(jīng)過WOE編碼后依據(jù)IV值進(jìn)行篩選，構(gòu)建基于邏輯回歸的信用評(píng)分卡模型，將借款人分類為從Aaa到C的九個(gè)等級(jí)。徐桂瓊、李微在研究中重視金融樣本高度不均衡造成的少數(shù)樣本錯(cuò)誤分類風(fēng)險(xiǎn)，運(yùn)用Two Step聚類思想對(duì)樣本進(jìn)行均衡化處理，從而構(gòu)造結(jié)構(gòu)平衡的訓(xùn)練集。但其方法存在一定缺陷，會(huì)導(dǎo)致逾期樣本在訓(xùn)練集和測(cè)試集中重復(fù)出現(xiàn)，進(jìn)而造成預(yù)測(cè)模型準(zhǔn)確率虛高。

本文對(duì)徐桂瓊、李微提出的方法做出改進(jìn)，提出基于Two Step的改進(jìn)組合分類算法。該文獻(xiàn)在數(shù)據(jù)樣本均衡化后得到的所有子集中，抽取一份作為測(cè)試集，其余為訓(xùn)練集。由于訓(xùn)練集與測(cè)試集中的逾期樣本（即少數(shù)樣本）為同一批，使得已訓(xùn)練過的數(shù)據(jù)被重復(fù)放入驗(yàn)證集中，導(dǎo)致測(cè)試結(jié)果準(zhǔn)確率虛高。同時(shí)，這一方法只能得到比例均衡的測(cè)試集，無法有效測(cè)試模型在樣本極度不均衡的信貸實(shí)際業(yè)務(wù)中的表現(xiàn)。

因此，在綜合應(yīng)用粗糙集約減和遞歸特征消除法進(jìn)行特征工程之后，本文提前將少數(shù)樣本切分出一定比例用于組成驗(yàn)證集，剩余部分則按原方法進(jìn)行訓(xùn)練集的構(gòu)造。由此，在保證訓(xùn)練集正負(fù)樣本比例均衡的同時(shí)，解決了少數(shù)樣本重復(fù)使用的問題，亦使得測(cè)試集數(shù)據(jù)分布及正負(fù)樣本比例均與原數(shù)據(jù)集保持一致。而相比于SMOTE等通過生成新增樣本點(diǎn)來增加正樣本比例的方法，本文所用方法避免了原本不存在的新增樣本對(duì)數(shù)據(jù)集內(nèi)在分布的改變。得到各份訓(xùn)練集后，本文參考了集成模型加權(quán)投票的思想，分別將各個(gè)分類器用于1份訓(xùn)練集而不是所有訓(xùn)練集進(jìn)行訓(xùn)練，以防止模型過擬合，最后各個(gè)機(jī)器學(xué)習(xí)模型通過加權(quán)投票的方式得到最終的預(yù)測(cè)結(jié)果。

二、改進(jìn)組合分類模型設(shè)計(jì)

（一）數(shù)據(jù)均衡化處理

設(shè)一不均衡樣本數(shù)據(jù)集D，該數(shù)據(jù)集的目標(biāo)列為0和1兩個(gè)類別。該數(shù)據(jù)集中目標(biāo)列值占多數(shù)的記為多數(shù)類樣本集M，目標(biāo)列值占少數(shù)的記為少數(shù)類樣本集L。

本文基于徐桂瓊、李微提出的數(shù)據(jù)均衡化方法進(jìn)行改進(jìn)。本文通過提前切分出一定比例的正負(fù)樣本來解決以上兩個(gè)問題。根據(jù)上述方法，既保證了訓(xùn)練集和測(cè)試集的相對(duì)獨(dú)立，也控制了測(cè)試集的數(shù)據(jù)比例，使其數(shù)據(jù)分布與原數(shù)據(jù)集保持一致。

組合分類：經(jīng)過數(shù)據(jù)均衡化處理后會(huì)產(chǎn)生k1個(gè)訓(xùn)練集及1個(gè)驗(yàn)證集，將k1個(gè)分類器分別訓(xùn)練各個(gè)訓(xùn)練集，最后讓各個(gè)分類器進(jìn)行加權(quán)投票，輸出最終結(jié)果。利用驗(yàn)證集來評(píng)價(jià)模型的性能。由于在本文中k2=4，因此最后需要訓(xùn)練3個(gè)分類器。本文所采用的分類器為XGBoost，Ada Boost，高斯樸素貝葉斯模型。

（二）Xgboost模型

（四）樸素貝葉斯算法

樸素貝葉斯分類基于概率論中貝葉斯派的主張，通過對(duì)于參數(shù)θ的經(jīng)驗(yàn)提供的先驗(yàn)分布與數(shù)據(jù)提供的樣本信息估計(jì)給定樣本X下參數(shù)θ的后驗(yàn)分布。

算法步驟如下：

1.根據(jù)給定條件及假設(shè)估計(jì)出訓(xùn)練集D中第c類樣本的先驗(yàn)概率

比較相同樣本在不同類別假設(shè)下的后驗(yàn)概率，將最大后驗(yàn)概率對(duì)應(yīng)的類別作為本樣本的估計(jì)類別。

三、實(shí)驗(yàn)與分析

（一）實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境

本文基于LendingClub平臺(tái)信貸數(shù)據(jù)進(jìn)行研究。LendingClub是成立于2006年的網(wǎng)絡(luò)借貸平臺(tái)，其依靠明確的信息中介定位、精準(zhǔn)的高端個(gè)貸市場(chǎng)細(xì)分及嚴(yán)苛的風(fēng)控措施，保證了P2P業(yè)務(wù)在低違約率下持續(xù)高速增長(zhǎng)，資產(chǎn)質(zhì)量?jī)?yōu)于一流銀行。LendingClub披露的真實(shí)交易數(shù)據(jù)已經(jīng)過脫敏處理，包含150個(gè)特征變量，覆蓋借款人資產(chǎn)狀況及現(xiàn)金流、借款期限及相關(guān)日期、銀行賬戶、征信查詢、信用評(píng)級(jí)等方面，是大數(shù)據(jù)機(jī)器學(xué)習(xí)的理想數(shù)據(jù)集。本文選取LendingClub公布的2018年第一到第四季度信貸數(shù)據(jù)共167452條，以“借款狀態(tài)”（loan status）特征作為數(shù)據(jù)標(biāo)簽，將“寬恕期中”、“已償清”界定為非逾期，記為0;將“逾期16～30天”、“逾期31～120天”、“違約”、“核銷”界定為逾期，記為1。

實(shí)驗(yàn)環(huán)境為Intel（R）Core（TM）i5-8250U CPU @ 1.60GHz （8 CPUs），～1.8GHz，Python 版本 3.7.3，TensorFlow 版本 1.3.1，Keras 版本 2.2.4。

（二）數(shù)據(jù)處理

數(shù)據(jù)缺失值統(tǒng)計(jì)圖如圖1所示，大約有44個(gè)特征缺失比例在55%以上，對(duì)于上述特征直接剔除。隨后值完全相同的特征、逾期行為明顯無關(guān)的特征及離群值過多的特征。最后可以得到數(shù)據(jù)樣本為165472，特征數(shù)量為101的數(shù)據(jù)集，其中128282個(gè)非逾期樣本，39170個(gè)逾期樣本。

特征衍生步驟中，針對(duì)于fico_score和last_fico_score兩個(gè)特征，采用信貸違約預(yù)測(cè)中常見的處理方法，以fico評(píng)分的平均水平作為fico評(píng)級(jí)的代理變量。

對(duì)于表1中的特征作以下處理：

fico score=0.5×fico range low+0.5×fico range hiah

last fico score=0.5×last fico range low+0.5×last fico range hiah

在進(jìn)行特征篩選時(shí)，首先剔除相關(guān)性大于90%的特征，隨后采用基于遺傳算法的粗糙集約簡(jiǎn)策略進(jìn)行特征篩選，得到32個(gè)特征。最后將上述特征用于基于隨機(jī)森林的遞歸特征消除中再進(jìn)一步進(jìn)行特征篩選，最終得到當(dāng)特征數(shù)量為15個(gè)效果最佳。

經(jīng)過以上特征工程處理，共得到如表1所示的15維用戶特征變量，涵蓋信用卡數(shù)目及額度、信用評(píng)級(jí)、個(gè)人經(jīng)濟(jì)情況等多個(gè)方面。這些特征既包含我國(guó)商業(yè)銀行主流的個(gè)人信貸信用風(fēng)險(xiǎn)評(píng)估指標(biāo)，也加入了傳統(tǒng)信用評(píng)級(jí)難以覆蓋的其他相關(guān)信息，體現(xiàn)了大數(shù)據(jù)技術(shù)從信息維度與質(zhì)量方面賦能信貸風(fēng)控的特點(diǎn)。

（三）建模分析

模型的正負(fù)樣本比例為133577：48503，大約為不均衡比例大約為2.75，由此可以計(jì)算出均衡化處理的系數(shù)k1=3，k2=4。按照上述處理數(shù)據(jù)不均衡比例的方法可以得到三個(gè)訓(xùn)練集和一個(gè)驗(yàn)證集。其中驗(yàn)證集的正負(fù)樣本比例為33397：12127。訓(xùn)練集的信息如表2所示。

在訓(xùn)練集均衡的基礎(chǔ)上，本文采用了基于XGBoost，AdaBoost，高斯樸素貝葉斯三種模型分別擬合上述得到的平衡訓(xùn)練集T1，T2，T3，然后進(jìn)行投票分類得到最終結(jié)果。經(jīng)過網(wǎng)格搜素，本文確定了各個(gè)模型的超參數(shù)值。

其中對(duì)于XGBoost，本文選擇的超參數(shù)組合為，max_depth為10，learningrate為0.01，n_estimators為100，其余參數(shù)采用系統(tǒng)默認(rèn)參數(shù)。

對(duì)于Adaboost，本文選擇的超參數(shù)組合為，max_depth為20，learningrate為0.05，n_estimators為80，其余參數(shù)選擇系統(tǒng)默認(rèn)參數(shù)。

對(duì)于高斯樸素貝葉斯，均選擇系統(tǒng)默認(rèn)參數(shù)。

在模型評(píng)價(jià)指標(biāo)上選擇了準(zhǔn)確率，F(xiàn)1-Score，AUC，誤報(bào)率等指標(biāo)。準(zhǔn)確率和AUC值都能夠從整體上反映模型的準(zhǔn)確率，但是在不均衡數(shù)據(jù)集上，模型整體的表現(xiàn)可能會(huì)掩蓋模型對(duì)少數(shù)類樣本的低性能表現(xiàn)[組合分類]。因此，本文還選取了F1-Score，誤報(bào)率等指標(biāo)來評(píng)測(cè)模型的性能。其中F1-Score是召回率和精準(zhǔn)率的加權(quán)調(diào)和平均，誤報(bào)率是1-召回率。通過以上兩指標(biāo)即可反映模型在少數(shù)樣本集上的表現(xiàn)。

在權(quán)重比例設(shè)置上，由于XGBoost的模型綜合表現(xiàn)最佳，在準(zhǔn)確率，F(xiàn)1-Score，AUC值上都要比其他兩個(gè)略優(yōu)，在漏報(bào)率上表現(xiàn)不如AdaBoost。而GaussianNB在三個(gè)模型中表現(xiàn)最差，原因可能是其模型中不包含正則化懲罰，導(dǎo)致模型擬合程度過高。因此對(duì)于XGBoost，AdaBoost，GaussianNB，的權(quán)重比例為4：2：1進(jìn)行加權(quán)投票。

由表3可以發(fā)現(xiàn)，進(jìn)行集成投票后，各項(xiàng)指標(biāo)均有小幅提升，這是由于本模型的三個(gè)分類器分別對(duì)不同的均衡樣本訓(xùn)練集進(jìn)行了訓(xùn)練擬合，且通過投票加權(quán)的方式增強(qiáng)了模型的魯棒性。而通過數(shù)據(jù)均衡處理后得到的驗(yàn)證集滿足原來數(shù)據(jù)的分布，正負(fù)樣本比例也維持不變，訓(xùn)練好的模型在該驗(yàn)證集上也能得到不錯(cuò)的效果。

為了進(jìn)一步驗(yàn)證被本文提出模型的有效性，利用原來數(shù)據(jù)中未進(jìn)行數(shù)據(jù)均衡化處理的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。其中由于本文所選取的驗(yàn)證集的樣本為45524個(gè)，占總數(shù)據(jù)樣本的25.0%，因此對(duì)傳統(tǒng)單一模型所采用的訓(xùn)練集和驗(yàn)證集由總體數(shù)據(jù)樣本隨機(jī)切分得到，其中切分比例為訓(xùn)練集：驗(yàn)證集=3：1，但只取其中的訓(xùn)練集部分進(jìn)行訓(xùn)練，對(duì)于驗(yàn)證集則進(jìn)行丟棄，而用數(shù)據(jù)均衡處理得到的驗(yàn)證集用以進(jìn)行最后模型效果的驗(yàn)證。通過以上的方法，即可保證傳統(tǒng)模型和本文模型得到的有效訓(xùn)練和驗(yàn)證樣本數(shù)量是一致的。

考慮到切分的隨機(jī)性，對(duì)切分實(shí)驗(yàn)重復(fù)進(jìn)行50次取平均值，即可得到各單一模型訓(xùn)練的效果。

通過表4可以得到，進(jìn)行隨機(jī)切分進(jìn)行訓(xùn)練得到的各個(gè)分類器得分明顯低于本文模型所訓(xùn)練出的分類器及集成投票模型。盡管傳統(tǒng)XGBoost模型在準(zhǔn)確率上仍有優(yōu)秀的表現(xiàn)，但其其余的指標(biāo)明顯低于本模型所訓(xùn)練的XGBoost。由于驗(yàn)證集中正負(fù)樣本比例為3：1，傳統(tǒng)XGBoost模型準(zhǔn)確率高而其他指標(biāo)較低，這表明傳統(tǒng)模型在預(yù)測(cè)多數(shù)樣本集上有著較好的表現(xiàn)，但是在預(yù)測(cè)少數(shù)樣本上不具有穩(wěn)定好的表現(xiàn)。而傳統(tǒng)AdaBoost模型和傳統(tǒng)GaussianNB模型的表現(xiàn)也比本文所提出的模型更低。

綜上所述，從各個(gè)指標(biāo)上看，各個(gè)傳統(tǒng)模型在本數(shù)據(jù)集上的表現(xiàn)都不如本文所提出的模型。本文提出的模型能夠適用于數(shù)據(jù)樣本不均衡的情況，并且在保證性能的情況下做到對(duì)多數(shù)樣本及少數(shù)樣本的精準(zhǔn)預(yù)測(cè)。因此，本文基于Two Step聚類算法的改進(jìn)組合分類方法能夠有效適用于逾期風(fēng)險(xiǎn)監(jiān)測(cè)。

四、結(jié)語

互聯(lián)網(wǎng)金融行業(yè)在強(qiáng)監(jiān)管政策的持續(xù)作用下，逐步擺脫了初期的粗放式發(fā)展路徑，迎來了監(jiān)管與創(chuàng)新并存的行業(yè)新生態(tài)。建立以大數(shù)據(jù)機(jī)器學(xué)習(xí)為核心的信貸逾期預(yù)測(cè)模型，符合《金融科技發(fā)展規(guī)劃》的政策要求，是互聯(lián)金融行業(yè)在新生態(tài)下實(shí)現(xiàn)可持續(xù)發(fā)展的關(guān)鍵舉措。

本文采用基于遺傳算法的粗糙集法及遞歸特征消除（RFE）進(jìn)行特征工程，并提出了基于Two Step聚類算法的改進(jìn)組合聚類算法將不均衡數(shù)據(jù)進(jìn)行處理。隨后，將XGBoost、AdaBoost、高斯樸素貝葉斯以上三種算法作為集成模型的子分類器進(jìn)行訓(xùn)練，最后加權(quán)投票得到預(yù)測(cè)結(jié)果，構(gòu)建出兼具準(zhǔn)確性、解釋性的信貸逾期預(yù)測(cè)模型。實(shí)證結(jié)果表明：相較于傳統(tǒng)算法，本文所提出的模型有效提升了預(yù)測(cè)模型的準(zhǔn)確性，與信貸業(yè)務(wù)實(shí)際需求更加契合。

參考文獻(xiàn)：

[1]Zhu，C.Big data as a governance mechanism.Social Science Electronic Publishing，2018.

[2]郭品，沈悅.互聯(lián)網(wǎng)金融加重了商業(yè)銀行的風(fēng)險(xiǎn)承擔(dān)嗎？——來自中國(guó)銀行業(yè)的經(jīng)驗(yàn)證據(jù)[J].南開經(jīng)濟(jì)研究，2015（04）：80-97.

[3]楊文捷，朱順和，鄺艷娟.金融科技發(fā)展、市場(chǎng)競(jìng)爭(zhēng)與銀行風(fēng)險(xiǎn)承擔(dān)[J].金融理論與實(shí)踐，2020（03）：52-57.

[4]姜增明，陳劍鋒，張超.金融科技賦能商業(yè)銀行風(fēng)險(xiǎn)管理轉(zhuǎn)型[J].當(dāng)代經(jīng)濟(jì)管理，2019，41（01）：85-90.

[5]李易懋.金融科技對(duì)我國(guó)上市商業(yè)銀行盈利能力影響的實(shí)證研究[J].湖南師范大學(xué)自然科學(xué)學(xué)報(bào)，2020，43（05）：83-89.

[6]Kittler J V，Hatef M，Duin R P W，et al.On Combining Classifiers[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（03）：226-239.

[7]丁嵐，駱品亮.基于Stacking集成策略的P2P網(wǎng)貸違約風(fēng)險(xiǎn)預(yù)警研究[J].投資研究，2017，36（04）：41-54.

[8]白鵬飛，安琪，NicolaasFransde ROOIJ，李楠，周國(guó)富.基于多模型融合的互聯(lián)網(wǎng)信貸個(gè)人信用評(píng)估方法[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，49（06）：119-123.

[9]胡忠義，王超群，陳遠(yuǎn)，吳江，鮑玉昆.基于多分類器動(dòng)態(tài)集成的P2P違約風(fēng)險(xiǎn)評(píng)估[J].管理學(xué)報(bào)，2019，16（06）：915-922.

[10]徐桂瓊，李微.基于組合分類的P2P貸款逾期風(fēng)險(xiǎn)預(yù)警研究[J].管理現(xiàn)代化，2019，39（04）：9-12.

[11]王重仁，韓冬梅.基于超參數(shù)優(yōu)化和集成學(xué)習(xí)的互聯(lián)網(wǎng)信貸個(gè)人信用評(píng)估[J].統(tǒng)計(jì)與決策，2019，35（01）：87-91.

[12]董路安，葉鑫.基于改進(jìn)教學(xué)式方法的可解釋信用風(fēng)險(xiǎn)評(píng)價(jià)模型構(gòu)建[J].中國(guó)管理科學(xué)，2020，28（09）：45-53.

[13]RiccardoGuidotti，AnnaMonreale，SalvatoreRuggieri，F(xiàn)rancoTurini，F(xiàn)oscaGiannotti，DinoPedreschi.A Survey of Methods for Explaining Black Box Models[J].ACM Computing Surveys（CSUR），2018，51（05）.

[14]吳飛，廖彬兵，韓亞洪.深度學(xué)習(xí)的可解釋性[J].航空兵器，2019，26（01）：39-46.

[15]吳暉，韓海庭，屈秀偉，孫圣力.大數(shù)據(jù)征信算法的可解釋性研究[J].征信，2020，38（05）：44-51.

[16]劉志惠，黃志剛，謝合亮.大數(shù)據(jù)風(fēng)控有效嗎？——基于統(tǒng)計(jì)評(píng)分卡與機(jī)器學(xué)習(xí)模型的對(duì)比分析[J].統(tǒng)計(jì)與信息論壇，2019，34（09）：18-26.

[17]陳戰(zhàn)勇.珠聯(lián)璧合：基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)借貸信用評(píng)分卡模型研究[J].武漢金融，2020（03）：42-50.

*基金項(xiàng)目：國(guó)家大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（202010394082）。

（作者單位：楊沛衡，河海大學(xué)商學(xué)院;吳東鵬，河海大學(xué)計(jì)算機(jī)與信息學(xué)院;徐典，河海大學(xué)理學(xué)院）

1785501705269