陈 倩,贺兴时,杨新社

(1.西安工程大学 理学院,陕西 西安 710048；2.密德萨斯大学 科学与技术学院，英国 伦敦 NM4 4BT)

0 引 言

随着互联网金融的迅猛发展以及个人消费观念的快速转变,国内商业银行零售信贷业务，特别是个人信贷业务得到了发展，而个人信用风险是信贷业务面临的主要风险。如何尽可能地降低信贷损失,已成为金融机构的研究热点。我国的信用评估系统经过不断的发展已经相对成熟,但是仍然存在一定的拓展空间。如何选取合适的评价指标,进一步改善适合我国国情的个人信用评估系统,仍具有重大的现实意义。

现有的个人信用风险评估模型,大致可以分为统计分析方法、机器学习方法和统计分析与机器学习结合的组合模型方法[1-5]。包括多元线性回归[6]、判别分析[7]、Logistic回归[8]以及支持向量机、神经网络、决策树[9-12]等。其中,Logistic回归模型因为具有较强的变量解释能力,较高的预测准确率以及计算简单而被广泛用在风险评估领域[13]。然而,在实际个人信用风险模型中,影响风险的因素及需要解释的变量很多,传统的Logistic模型不能很好地解决多重共线性问题,导致计算了过多冗余变量而增加了模型复杂度[14],影响了模型的解释性和预测准确性[15]。针对这一缺陷,1996年,TIBSHIRANI提出了著名的Lasso方法,对模型的系数进行压缩,使得模型中绝对值较小的系数压缩至零[16]；2001年,FAN提出了惩罚似然函数方法,将Lasso惩罚(即L1惩罚)应用于广义线性模型,使其能够同时进行变量选择和系数估计[17]；……