面向点对点借贷的宽深学习
机器学习
2018-10-10 v2 人工智能
风险管理
摘要
本文提出一种两阶段评分方法，以帮助出借人在点对点（P2P）借贷市场中决定资金配置。现有评分方法仅关注违约概率（PD）预测（即信用评分）或盈利性预测（即利润评分）之一，以识别最佳投资贷款。信用评分未能满足出借人关于其投资可获得多少利润的核心需求。另一方面，利润评分可通过预测投资盈利性满足该需求。然而，利润评分完全忽略了大多数历史贷款为非违约的类不平衡问题。因此，忽略类不平衡问题显著影响了盈利性预测的准确性。我们提出的两阶段评分方法集成了信用评分与利润评分以应对上述挑战。更具体地，阶段 1 设计为信用评分以识别非违约贷款，同时在 PD 预测中考虑贷款状态的失衡性质。被识别为非违约的贷款随后进入阶段 2 进行以内部收益率衡量的盈利性预测。宽深学习用于在两个阶段构建预测模型，以实现记忆与泛化。基于真实数据开展了大量数值研究以验证所提方法的有效性。数值研究表明，我们的两阶段评分方法优于现有的信用评分与利润评分方法。
引用
@article{arxiv.1810.03466,
title = {Wide and Deep Learning for Peer-to-Peer Lending},
author = {Kaveh Bastani and Elham Asgari and Hamed Namavari},
journal= {arXiv preprint arXiv:1810.03466},
year = {2018}
}