基于分层模型的银行客户信用风险预测研究

张瑜 廖长勇 王新军

摘   要：本文基于商业银行客户信贷记录数据集，通过运用拉普拉斯分层模型对客户的信用风险进行预测研究。利用客户群体存在差异化的特点，采用XGBoost机器学习算法来选择分层特征以及结合多元特征的组合形式来预测客户的违约情况。在不同分层特征结构下依次对比拉普拉斯分层模型、单独模型、共同模型和随机森林四个模型的预测效果，并建立模拟数据集来对拉普拉斯分层模型的性能进行验证。研究发现：（1）拉普拉斯分层模型的预测精度是最高的，预测性能具有稳定性;（2）本文数据集所适用的最佳分层特征是贷款金额、年龄和婚姻;（3）分层特征的选择和数量会依据不同数据而产生相应变化，并非一成不变。结合本文的研究思路和结果，以期为商业银行在客户信用风险评估实践中提供新的思考和建议。

关键词：信用风险;分层特征;拉普拉斯分层模型;XGBoost算法

中图分类号：F830.33  文献标识码：B  文章编号：1674-2265（2021）10-0055-06

DOI：10.19647/j.cnki.37-1462/f.2021.10.008

一、研究背景和意义

商业银行在国民经济发展中扮演着重要角色，其信贷业务为扩大消费、推动企业发展做出了巨大贡献。随着我国经济进入新常态，企业转型压力增大，经营风险显现，导致企业信贷质量明显低于个人信贷。为此，各银行对信贷业务结构做出相应调整，采取逐步扩大个人信贷比重的策略。同时，随着大数据时代的来临，银行掌握着较大规模的客户数据，促使很多银行更多地采用大数据处理技术和算法来加强自身业务的开展，并规避相应的信贷风险。……