基于利润的贷款歧视度量
应用统计
2025-12-25 v1
摘要
算法性贷款已变革了消费信贷格局, 复杂的机器学习模型如今被广泛用于制定或辅助信贷决策. 为遵循公平贷款法律, 这些算法通常会排除种族和性别等受法律保护的特征. 然而, 算法性信贷决策仍可能无意中偏袒某些群体, 从而引发对如何审查贷款算法潜在歧视行为的新问题. 本文基于既有理论工作, 引入一种基于利润的贷款歧视度量方法. 我们将其应用于某大型美国金融科技平台约8万笔个人贷款的数据, 发现面向男性和黑人借款人的贷款收益低于其他群体, 说明男性和黑人申请人获得了相对有利的贷款决策. 我们追溯到平台信贷评估模型存在失配: 对黑人借款人低估风险, 对女性高估风险. 我们指出, 通过在信贷评估模型中显式包含种族和性别特征, 可纠正这种失配及随之而来的贷款差异, 说明了公平性概念之间的潜在张力.
引用
@article{arxiv.2512.20753,
title = {A Profit-Based Measure of Lending Discrimination},
author = {Madison Coots and Robert Bartlett and Julian Nyarko and Sharad Goel},
journal= {arXiv preprint arXiv:2512.20753},
year = {2025}
}