通过特征贡献与专家风险分析师对齐解释信用风险评估

信用评估活动对金融机构至关重要，并推动全球经济成长。对信用保险公司而言，构建稳健、可靠且准确的模型以估计企业违约概率势在必行，尤其在弥合贸易融资缺口方面。自动化风险评估流程将使信用风险专家减少工作负荷并聚焦于关键复杂案例，同时通过缩短申请处理时间改进贷款审批流程。人工智能的最新进展提供了新的强大机遇。然而，多数 AI 技术因缺乏可解释性而被贴上黑箱模型标签。对于用户与监管者，若要大规模部署此类技术，理解模型逻辑是实现准确且符合伦理决策的必要前提。本研究聚焦企业信用评分并基准测试不同机器学习模型。目标是构建预测企业在给定时间范围内是否遭遇财务问题的模型。我们利用可解释人工智能技术，特别是基于 SHapley Additive exPlanations（SHAP）的事后解释来解决黑箱问题。我们通过提供与专家对齐的特征相关性分数来揭示问题，突出信用风险专家与模型特征归因解释之间的分歧，从而更好地量化向人类对齐决策的收敛程度。