基于SMOTE-AdaBoost-DT的类别不平衡信用评分模型

赵佳丽,徐明江,吴增源,郑素丽

(1.中国计量大学 经济与管理学院,浙江 杭州 310018;2.杭州千岛湖发展集团有限公司,浙江 杭州 311701)

经济的快速发展和居民消费观念的转变驱使个人信用贷款规模逐年扩大。据中国人民银行数据显示,我国个人整体信贷消费余额从2016年的25.35万亿元升至2020年的49.57万亿元。然而,随着信贷规模的不断扩大,不良贷款率也逐年增长。据中国银保监会发布的数据显示,2021年三季度末,我国商业银行不良贷款率高达1.75%,不良贷款余额达2.8万亿元[1]。不良贷款不仅影响银行的正常运转,也可能诱发社会风险,造成一系列不良反应。对信贷申请人进行信用评分是降低信贷风险和不良贷款率的重要手段。

信用评分模型是一套帮助贷方发放贷款的决策模型。其核心思想是根据客户还贷或不还贷行为的特征,将其分为信用良好的“好客户”和信用不良的“坏客户”两个群体,最终做出是接受或拒绝信贷申请的决定。当前主要利用统计或机器学习的方法建立模型以衡量客户的风险水平。统计方法中的线性判别分析[2]和逻辑回归[3],因易理解和易于实现,而被经常使用。机器学习方法中比较有代表性的包括决策树[4]、神经网络[5]、支持向量机[6]等。Chern等[7]提出利用决策树算法来解决大数据环境下的信用评估问题。Bekhet和Eletter[8]运用人工神经网络以支持约旦商业银行的贷款决策,结果表明人工神经网络在减少决策系统时间和成本的同时,还可以出色地识别那些可能违约的客户。……