逾期风险预测的宽度和深度学习

• 作者: 宁婷 苗德壮 董启文 陆雪松
• 来源期刊: 计算机科学
• 关键词: 逾期风险预测 机器学习 深度学习 宽度和深度模型
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 人工智能|Artificial Intelligence
• 页码范围: 197-201
• 页数: 5页
• 分类号: TP520
• 语种: 中文
• DOI: 10.11896/jsjkx.200900043

摘要

逾期风险控制是信用贷款服务的关键业务环节,直接影响放贷企业的收益率和坏账率.随着移动互联网的发展,信贷类金融服务已经惠及普罗大众,逾期风控也从以往依赖规则的人工判断,转为利用大量客户数据构建的信贷模型,以预测客户的逾期概率.相关模型包括传统的机器学习模型和深度学习模型,前者可解释性强、预测能力较弱;后者预测能力强、可解释性较差,且容易发生过拟合.因此,如何融合传统机器学习模型和深度学习模型,一直是信贷数据建模的研究热点.受到推荐系统中宽度和深度学习模型的启发,信贷模型首先可以使用传统机器学习来捕捉结构化数据的特征,同时使用深度学习来捕捉非结构化数据的特征,然后合并两部分学习得到的特征,将其经过线性变换后,最后得到预测的客户的逾期概率.所提模型中和了传统机器学习模型和深度学习模型的优点.实验结果表明,其具有更强的预测客户逾期概率的能力.