基于核函数法进行拒绝推断的信用评分模型

文章分三种情形说明了信用评分模型的开发和应用存在样本偏差,需要使用拒绝推断来校正样本偏差,并提出了核函数推断法来做拒绝推断。在此基础上文章还做了相应的实证分析,获得了比较理想的结果。根据文章的研究,人行征信这类外部数据是拒绝推断最有效的方法,如果此类数据缺乏,则核函数推断法是一种有效的拒绝推断方法。

信用评分模型中拒绝推断问题研究:基于半监督协同训练法的改进

随着我国金融市场的蓬勃发展,信用评价中的拒绝推断问题越来越受到重视。针对信用评分模型中存在的有类别标签的样本占比低,并且样本中的类别分布不平衡等问题,本文在半监督学习技术与集成学习理论的基础上,提出了一种新的算法——BCT算法。该算法通过使用动态Bagging生成多个子分类器,引入分类阈值参数来解决样本类别分布不平衡问题,以及设定早停止条件来避免算法迭代过程中存在的过拟合风险,以此对传统半监督协同训练法进行改进。通过在5个真实数据集上的实证分析发现,在不同数据集与不同拒绝比例下,BCT算法的性能均优于其他6种有监督学习和半监督学习算法的信用评分模型,显示了BCT算法具有良好的模型泛化性能和更高的模型评价能力。

一种融入拒绝推断的P2P网络借贷违约风险评价方法

传统的P2P网络借贷违约风险评价通常仅使用接受样本建模,而模型的应用对象是包括接受和拒绝的全部样本,由此带来的样本选择偏差问题会影响模型的泛化能力,需要拒绝推断校正样本选择偏差。利用半监督方法构建违约风险模型,可以将拒绝推断过程嵌入到违约风险评价过程中,在训练违约风险评价模型的同时通过对添加到建模样本中的拒绝样本进行筛选以控制噪音。本文提出基于样本和特征双重差异的协同训练模型TRICMV进行P2P网络借贷违约风险评价。该模型采用了一种基于“噪音学习理论”的自适应的模型迭代机制,可以确定融入模型的拒绝样本的最佳数量。最后,基于人人贷平台标的样本进行实证分析,结果验证了TRICMV模型优于传统的违约风险评价模型以及其它使用半监督学习进行拒绝推断的违约风险评价模型。

信用评分模型中的拒绝推断

申请评分模型是为了评估申请者是否有能力如期偿还贷款的模型,是信用评分模型的一大分支,应用于信用卡征信审核阶段。本文从产生原因入手,详细分析了申请评分中的一类特殊问题——拒绝推断,并采用实证分析的方式说明了扩张法是解决拒绝推断问题较好的方法。

基于两阶段思想处理拒绝推断的信用评分模型

本文首先从数据缺失机制的角度分析了信用评分模型的开发和应用中所存在的样本偏差问题,提出了可以用拒绝推断来处理此类问题;然后在曾经被应用于拒绝推断问题处理的Heckman两阶段模型的基础上,提出了用拟似然两阶段模型和广义偏线性模型这两种新的两阶段方法来处理信用评分模型中的拒绝推断问题。经过实证分析发现,应用这两种方法可以得到很理想的结果。另外根据本文的研究,人行征信这类外部数据是拒绝推断最有效的方法,如果此类数据缺乏,则用拟似然两阶段模型和广义偏线性模型是比较有效的拒绝推断方法。

基于半参数方法进行拒绝推断的信用评级模型

拒绝推断可视为因变量非随机缺失问题的特例,它处理信用评级建模中由于被拒客户的信用表现未知,样本偏差导致的参数估计有偏问题。本文基于Kim和Yu 2011年提出的非随机缺失下均值泛函的半参数估计模型,提出处理拒绝推断的迭代半参数法。运用此方法在5类缺失情形下进行模拟研究,并对Australian数据和中国某银行的征信数据进行实证研究。结果表明,与常用方法相比,迭代半参数法可以有效地识别被拒绝申请者中的"坏"客户,降低金融机构的违约风险,是一种相对保守的方法。