基于多源域知识迁移学习的小微企业信用评分

针对新业务,新场景下金融机构目标数据集“高维小样本”的问题,本文提出了基于多源域知识迁移学习的小微企业信用风险测度方法,其能够迁移学习其它数据源(源域)的知识以提升目标域模型的预测效果.该方法通过对来自多个源域的多种源域知识进行归纳提取,进而将其纳入目标域模型的构建中,可以充分利用源域知识,提升目标域模型的估计精度.另外,模型无需获取各源域的原始数据,因此很大程度上降低了数据传输中隐私泄露的风险.模拟实验和企业信用评分的实例数据验证了所提方法的可行性及其在变量选择,系数估计和分类预测上的良好效果.该方法能够在隐私限制的背景下有效迁移源域知识以克服信用评分中目标数据集信息量不足,而导致估计效果较差的问题.     

基于半监督广义可加Logistic回归的信用评分方法

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.