李丽 赵陆亮 陈军

【摘 要】为了解决西南财经大学“新网银行杯”竞赛数据中存在的高维稀疏数据、无标签数据、多产品客群来源及好坏样本不平衡等问题，采用机器学习方法，如Logistic回归、决策树、Adaboost、GradientBoosting和LGB模型对数据进行训练，得出LGB模型的性能评价指标AUC数值最大的结论。

【关键词】信用风险预测;机器学习;性能评价指标

【中图分类号】F830.589 【文献标识码】A 【文章编号】1674-0688（2021）03-0046-03

1 研究背景

银行信用风险评估一直是学术研究和商业银行管理领域重要的研究话题。信贷信用风险是银行所面临的信用风险中最重要的一个部分，又由于银行是整个金融系统的核心，银行的主要资产业务是银行对企业发放的贷款，若企业由于破产或资金流动性等原因无法按期偿还贷款甚至造成违约会给商业银行带来巨大的损失。此外，商业银行不良贷款率的不断提升也会导致整个金融市场风险的提升。因此，商业银行能否获得性能极好又切实可行的信用風险预测模型，对于银行金融机构乃至整个金融市场至关重要。

早期的预测模型大多使用传统计量和统计方法，例如多元判别分析方法、Logistic回归分析方法等。近年来，随着人工智能的兴起、机器学习和数据挖掘在世界范围内的推广，帮助商业银行风险预测获得了新的、更有效的预测方法，也预示着在商业银行信用风险预测领域，人工智能方法会逐渐取代传统统计方法，成为预测商业银行信用风险的首选方法。

2 文献回顾

Ekinci & Erdal（2011）[1]对土耳其的35家私人商业银行进行分析，比较了SVM方法和神经网络方法的预测精度。……