基于Group-Lasso方法的非均衡数据信用评分模型*

韦勇凤，向一波

(中国科学技术大学管理学院， 合肥 230026)

随着金融行业快速发展、大众消费观念极速改变，个人信贷产品不断丰富，以及个人信贷业务规模大幅提升，个人信用风险问题日益突出。个人信用风险是目前商业银行面临的风险中最为重要和复杂的，因此如何进行有效的个人信用风险管理来降低违约风险成为研究的核心问题。《巴塞尔新资本协议》指出有条件的银行要实施内部评级法，通过对历史数据构建模型测算客户的违约概率[1]。违约概率作为影响信用风险的关键因素之一，准确地评估客户的违约概率是信用风险计量的基础[2]。而在信用风险管理方面，信用评分模型发挥着重要的作用。

目前，基于机器学习的个人信用评分模型有：线性判别分析[3]、Logistic回归[4]、神经网络[5]、支持向量机[6]、遗传算法[7]、聚类分析[8]、最近邻模型[9]、决策树[10]和贝叶斯方法[11]等。其中，Logistic回归在个人信用评分中应用最为广泛。Logistic模型具有计算简单、解释性强与预测精度较高的优点，并且在中国房贷信用风险评估中得到验证[12]。然而，随着社会和经济的不断发展，影响个人信用风险的因素在不断增加，传统的Logistic回归不能有效地处理模型中自变量存在多重共线性的问题，且过多变量增加了模型的复杂度，进而降低了模型预测的精准度。因此，不断有学者在此基础上进行深入研究。针对Logistic回归存在的缺陷，Lee和Zhang[13]通过对个人信用评分模型中样本的非均匀抽样进行优化，提高了Logistic回归模型的预测性能。……