程朋媛（天津财经大学）

■ 前言

Fintech 推动了数字时代金融经济的创新和可持续发展。它全面涵盖了营销、风险控制、贷款、投资顾问和客户服务、移动支付的诞生、数字贷款、在线保险等重要业务流程。对金融产业链、供应链和增值链产生了深远的影响。

一方面，互联网金融的发展，为更多有融资需求的客户提供了便利快捷的服务。无论是传统的金融机构，还是新兴的P2P 行业，都希望获得尽可能多的客户，同时控制风险，因此研究我国个人信用评估、有效识别消费贷款信用风险显得尤为重要。另一方面，越来越多的商业银行利用所收集的信息进行信用风险评估，构建评分模型，期望达到提高运营效率和降低贷款成本的效果。本文尝试运用不同的机器学习方法，探究机器学习方法在信用风险评估方面的应用，为商业银行在控制信用风险方面提供新的可能。

■ 模型理论与方法

（一）机器学习方法

本文主要选取了以下八种机器学习算法：

（1）逻辑回归算法（Logistic Regression，LR）

（2）随机森林Random Forest

（3）梯度提升树GBDT(Gradient Boosting Decision Tree)

（4）决策树ID3

（5）KNN 学习模型

（6）朴素贝叶斯（Naive Bayes）分类算法

（7）XGBoost

（8）LightGBM

（二）评估方法

本文用AUC 作为评价指标，AUC 大小是指ROC 曲线和坐标轴围成的面积，以此来度量分类模型的好坏程度。ROC（Receiver Operator Characteristic）是一个二维坐标轴中的曲线，横坐标是伪正例率（FPR=FP/(FP+TN)），纵坐标是真正例率（TPR=TP/(TP+FN)）。ROC 没有具体数值，所以出现了AUC 值。一般来说，AUC 越大表示预测性越好。

■ 数据处理与特征工程

（一）数据介绍

出于银行数据安全性及可得性考虑，未采用真实客户信息，而是以天池贷款数据集为基础，对算法进行实现。……