张佳倩，李 伟，阮素梅

（安徽财经大学金融学院，安徽蚌埠，233030）

一、引言

随着经济的发展，公众对贷款的需求越来越大。央行数据显示，截止2020年2月，全国总贷款量为1 630 709.2亿元，其中大型商业银行贷款总量为749 435.34亿元；全国小型商业银行的贷款总量为748 799.3亿元，占全国总贷款量的91.8%。同比往期数据，居民和企业的贷款需求呈大幅增长、稳步上升的趋势。大量的贷款需求使得除了银行、信用社等传统的放贷机构，一些网络借贷平台也应运而生，如P2P，这种直接融资模式的诞生拓宽了传统贷款渠道，弥补了新时代下传统金融机构的不足。

在这样的背景下，仍有一部分公众因为没有信用记录、记录不全、资料有误无法核实等而难以获得贷款，从而被不可靠的放贷人利用。商业银行是我国金融市场的主要放贷主体，贷款业务是其主要赢利手段和高风险项目之一。不良贷款率增加会导致银行信用风险提高，每一笔贷款的风险控制情况最终会影响银行营运、偿付能力。因此，银行必须建立一种有效机制提高对借款人按时还贷的预测能力，在有效降低不良贷款率和信用风险的基础上为无信用记录或记录不足的人群提供贷款。

过去银行等传统金融业对贷款业务的评估主要依靠5C分类法和经验判断法，效率较低，且过于依赖审核人员的主观判断。因此，传统的资信审查和风控模式逐渐无法满足日益增长的庞大贷款需求。机器学习能够在短时间内对大量数据多次模拟训练达到理想效果。……