杨 磊，姚汝婧

(天津大学应用数学中心，天津 300072)

1 引言

随着经济和科技的进步，信用卡业务因其方便、利润高等特点在金融行业飞速发展，广泛受到金融机构以及用户们的喜爱。但是随着信用卡用户量的急剧提升，我国信用卡违约问题更加突出，2018年信用卡逾期总额也呈现爆发性增长，总额为2010年的10倍。若不及时采取相应措施加以控制，会给银行等金融机构造成严重损失。因此，对持有信用卡的用户的信用进行评分，提前预测出违约用户是十分有必要的，对银行等金融机构的长久发展具有重大意义。

目前对违约用户进行判定的方法大致分为三种：基于规则的方法、基于有监督学习的方法、基于无监督学习的方法。

基于规则的方法简单有效，可解释性强，但存在以下两点缺陷：一是太过依赖人的经验来判断，很容易出现由于人为错误而对用户是否违约误判的情况，二规则构建成本高，需要针对性的构造。

基于有监督的学习是目前国内外广泛使用的信用违约预测方法。王洪各[1]采用逻辑回归(Logistic Regression)进行信用卡欺诈检测，精度达到95%以上。张国庆[2]等人采用LightGBM模型研究信用卡违约，通过与逻辑回归、随机森林等几个常用模型的对比，表明LightGBM的预测效果较好。在国外，Florentin Butaru等人[3]通过对比逻辑回归、决策树和随机森林三种方法，得出不同的银行适用于不同的模型的结论。真实业务场景中标签数据获取难度大，且违约数据比例远小于正常数据导致样本数据极不均衡，导致有监督学习无法取得良好效果。……