单调神经加性模型：面向信用评分的合规机器学习模型探索

信用违约风险预测数十年来一直是活跃的研究领域。历史上，逻辑回归因其符合监管要求——透明性、可解释性与公平性——而被作为主要工具。近年来，研究者日益使用复杂先进的机器学习方法来提升预测精度。尽管机器学习方法有可能改善模型精度，但它使简单的逻辑回归复杂化，削弱了可解释性，且常违背公平性。在缺乏监管合规的情况下，即便高精度的机器学习方法也难被企业接受用于信用评分。本文引入一类新颖的单调神经加性模型，其通过简化神经网络架构并强制单调性来满足监管要求。利用神经加性模型的特殊架构特征，单调神经加性模型有效地惩罚了单调性违背。因此，训练单调神经加性模型的计算成本与训练神经加性模型相近，可谓免费午餐。我们通过实证结果证明，新模型与黑盒全连接神经网络同样精确，提供了一种高精度且受监管的机器学习方法。