摘要：基于某信贷机构历史业务原始数据，经过数据预处理后，分别建立决策树、逻辑斯蒂、BP神经网络和随机森林预测模型，得到的准确率不超过90%。再对原始数据进行特征分箱后，通过XGBoost算法建立模型，准确率提高为91.2%。最后，基于Cook距离的多元模型检测到的离群点与逾期客户有显著关系，模型准确率为96.7%，召回率为99.3%。
关键词：逾期检测；特征分箱；机器学习；Cook距离
1引言
随着互联网金融行业的兴起，银行和贷款机构通过互联网为有贷款需求的客户提供线上金融服务。在带来更好服务体验的同时，也存在着诸多信用风险问题，急需建立信贷风险检测模型提高风控水平。根据信贷客户还款的具体情况，将客户分为正常和逾期两种类型。以三个月的时间作为观察窗口，还款连续逾期三个月的，判定为逾期客户；其余正常还款情况的，为正常客户。通过采用机器学习和统计方法得出的信用检测模型，能够较为准确地预测个人未来的信用表现，估计每笔信贷是否逾期，方便银行提前预知可能存在的风险。
2数据预处理
分析来自某贷款机构的历史业务数据，包含贷款基本表、报告主表、贷款记录、贷记卡记录、信用提示、未销户贷记卡和未结清贷款信息汇总、逾期信息汇总、查询记录汇总、信贷审批查询记录明细、贷款特殊交易、透支记录、诈骗记录等12个数据集，涉及3万名客户和100多个特征，数据预处理较复杂，需尽量减少信息损失。为了获得更好的训练数据特征，通过特征工程将原始数据转换成模型训练数据，使得机器学习模型逼近这个上限，提高模型性能。主要运用了特征构建和特征选择。例如针对“数据集：信贷审批查询记录明细表”，利用日期函数计算查询间隔月份数，通过总查询次数除以查询间隔月份数构建出新属性“月查询次数”。例如针对“数据集：贷款记录”，由ID将贷款状态拆分成“呆账、结清和正常”三类属性的数据。最终从100多个指标中初步构建了42个特征。接着，利用R语言“informationvalue”函数计算各定性指标的IV值，选择有高预测性能的前两个显著特征“工资”和“教育”；再通过广义交叉验证法得到10个显著性指标，主要包括信用状况、偿还历史和逾期行为3个维度的指标，结合Boruta算法得出变量对逾期状态影响的显著性，根据变量间相关性图和现实意义，筛选出“信用使用年限”和“贷款账户数”；最终，经过定性指标和定量指标的筛选，从42个初选特征中选择了重要程度前14的特征。特征选择结果如表1所示。处理完缺失值后，采用无放回随机抽样方式，将总体以7∶3的比例拆分成训练集和测试集，数据基本情况如表2所示。
3初步建立逾期检测模型
分别通过“gbm”函数建立决策树逾期检测模型（GBDT）、“glm”函数建立逻辑斯蒂回归模型，并通过逐步回归剔除非显著变量、“nnet”包所得BP神经网络模型、“randomForest”函数建立随机森林逾期检测模型，结果如表3所示。四种模型的AUC值均低于0.8，预测准确性不是很高，离想要检测逾期客户的目标还有一定差距。其中表现较好的模型为逻辑斯蒂和BP神经网络，AUC值为0.71。
4特征分箱
通过特征分箱离散化连续变量，同时将离散变量合并成少状态。经特征分箱后的数据，具有更易于模型快速迭代和降低模型过拟合风险等优势。基于“smbinning”包对各特征进行最优分段，通过分段结果对数据进行封闭性分箱和转换，如特征“信用使用年限”的分段结果如表4所示。
5逾期检测模型探索和优化
5.1基于XGBoost的集成学习模型
前面几种机器学习模型的预测精度相对不高，尝试基于XGBoost算法的集成学习模型以提高预测模型的精度。同时，将分别对原数据和特征分箱变换后的数据进行预测，以观察特征分箱是否提升了模型的表达能力和拟合度。XGBoost模型结果如表5所示。通过R语言“xgboost”函数建立模型，经参数调试后对原数据进行预测，得到预测准确率为84.5%，召回率为37%，AUC值为0.72。对特征分箱后数据进行预测，预测准确率为91.2%，召回率为52.7%，AUC值为0.82。将“xgboost”函数的目标设为逻辑斯蒂模型，由于逻辑斯蒂为广义线性模型，表达能力有限，而特征分箱后每个变量有了权重，即引入了非线性到模型中，显著提升了模型的表达能力和拟合效果。
5.2基于CooK距离的多元模型
通过统计学方法分析得到离群点，观察离群点与逾期客户是否有显著的关系。一般如果观测样本的Cook距离比平均距离大4倍，则该数据点被判定为离群点。通过Cook平均距离的4和24倍分别进行离群值检测，其中显著离群点和全部离群点如图1所示。经匹配样本号发现，基于Cook距离的多元模型检测法所得出的离群点基本为逾期客户，该模型表现出了较高的检测准确率和召回率。当Cook距离为4倍时，99.3%的逾期客户被检测出来，而此时模型的准确率仍非常高，为96.7%。具体如表6所示。
6结论
进行分析的目的是检测出可能存在逾期行为的客户，基于这个业务背景，主要从模型的准确率、召回率和AUC值来评价模型的优劣。四种机器学习模型的AUC值均低于0.8，预测准确性不是很高。模型优化上，通过XGBoost集成学习模型对原数据和分箱后数据分别建立模型，AUC分别提高到0.72和0.82，说明集成学习模型和特征分箱均有优势，且经特征分箱后的XGBoost模型预测准确率达到91.2%，召回率达到51.7%，模型有很好的预测效果。模型探索上，由于逾期客户均在数据的某些特征取值上较为极端，故通过统计学方法，基于Cook距离的多元模型检测出来的离群点，与逾期客户有着显著的关系。当Cook距离为4倍时，99.3%的逾期客户被检测出来，而此时模型的准确率仍非常高，为96.7%，该模型表现出了非常高的分类效果。
参考文献：
［1］中国人民征信中心.个人征信系统新版信用报告概述［DB/OL］.［2021-04-15］paper/94313836.html.
［2］高祖康.基于数据挖掘的商业银行贷款信用评级［D］.南京：南京理工大学，2013.
［3］何晓群.多元统计分析［M］.4版.北京：中国人民大学出版社，2004.
［4］董媛香，程鑫.大数据背景下个人信用评价体系构建［J］.现代工业经济和信息化，2017，7（5）：106-108.
［5］石澄贤，陈雪交.P2P网贷个人信用评价指标体系的构建［J］.常州大学学报（社会科学版），2016，17（1）：80-85.
［6］李佳.网络银行个人客户信用风险评价研究［J］.中国市场，2016（14）：91-92.
［7］刘扬，刘伟江.特征选择方法在信用评估指标选取中的应用［J］.数理统计与管理，2006（6）：667-674.
［8］张道宏，张璇，尹成果.基于BP神经网络的个人信用评估模型［J］.情报杂志，2006，25（3）：68-70.
［9］张国政，陈维煌，刘呈辉.基于logistic模型的商业银行个人消费信贷风险评估研究［J］.金融理论与实践，2015（3）：53-57.
作者：侯浩鑫 赵志红 单位：北京理工大学珠海学院
