可解释银行破产预测模型：利用反事实解释以降低破产风险
机器学习
2026-04-15 v2
摘要
银行破产预测模型的准确性和可解释性至关重要。虽然以逻辑回归等可解释模型受到青睐，因其可解释性强，但随机森林、支持向量机和深度学习等复杂模型虽提供更高的预测性能，却表现出较低的可解释性。这些模型被称为黑箱，使从事中可操作见解变得困难。为此，建议使用反事实解释。这些解释展示了输入变量发生变化如何改变模型输出，并指示如何减轻银行破产风险。关键挑战在于选择最有效的生成实用反事实解释的方法，这些解释应体现有效性、接近性、稀疏性和合理性。本文评估了几种反事实生成方法：WhatIf、Multi Objective以及Nearest Instance Counterfactual Explanation，还探讨了如欠采样、过采样、SMOTE和成本敏感方法等重采样方法，以解决银行破产预测中美国数据的不平衡问题。结果表明，Nearest Instance Counterfactual Explanation方法产生的反事实解释质量更高，主要采用成本敏感方法。总体而言，Multi Objective反事实和Nearest Instance反事实解释方法在有效性、接近性和稀疏性指标方面均优于其他方法，而成本敏感方法提供最理想的反事实解释。这些发现凸显了反事实生成方法在不同平衡策略和机器学习模型下的性能变动性，为增强黑箱银行破产预测模型的实用性提供了有价值的策略。
引用
@article{arxiv.2407.11089,
title = {Explainable bank failure prediction models: Counterfactual explanations to reduce the failure risk},
author = {Seyma Gunonu and Gizem Altun and Mustafa Cavus},
journal= {arXiv preprint arXiv:2407.11089},
year = {2026}
}
备注
20 pages, 1 figure