关于结合图数据以评估薄文件借款人信用可靠性的研究
社会与信息网络
2022-09-20 v2 机器学习
摘要
薄文件借款人是指由于缺乏信用记录而无法确定其信用可靠性评估的客户；许多研究人员使用图形式的借款人关系与交互网络作为替代数据源来解决此问题。传统上，结合网络数据是通过人工特征工程实现的，近来图神经网络作为一种替代方案出现，但其性能仍未超越传统方法。在此，我们引入了一个框架，通过融合多种图表示学习方法（特征工程、图嵌入和图神经网络）来改进信用评分模型。在这种方法中，我们堆叠它们的输出以产生单一评分。我们使用一个独特的多源数据集验证了该框架，该数据集表征了一个拉丁美洲国家全部人口的关系和信用历史，并将其应用于针对个人和公司的信用风险模型、申请模型和行为模型。我们的结果表明，图表示学习方法应作为互补手段使用，而不应像目前这样被视为自足的方法。在 AUC 和 KS 方面，我们提升了统计性能，优于传统方法。在企业贷款中，其增益要高得多，这证实了评估无银行账户的公司不能仅考虑其自身特征。这些公司与其所有者、供应商、客户和其他公司互动的商业生态系统提供了新颖的知识，使金融机构能够增强其信用可靠性评估。我们的结果让我们知道何时以及针对哪类群体使用图数据，以及预期对性能产生何种影响。它们还展示了图数据在无银行账户信用评分问题上的巨大价值，主要体现在帮助公司银行业务方面。
引用
@article{arxiv.2111.13666,
title = {On the combination of graph data for assessing thin-file borrowers' creditworthiness},
author = {Ricardo Muñoz-Cancino and Cristián Bravo and Sebastián A. Ríos and Manuel Graña},
journal= {arXiv preprint arXiv:2111.13666},
year = {2022}
}