【IMIWorkingPapersNo.1925】消费金融大数据信用评估研究――基于GBDT、XTBoost

【摘要】

内需逐步成为我国经济发展的重要支柱，发展消费金融、促进消费升级成为近年小微金融发展的一个方面随之而来的过度授信及带来的违约问题也成为消费金融领域较为严重的问题。完善信用评估方法、以严谨的信用评估结果为依据，将违约风险较高客户阻挡于授信之前是消费金融风险防范的重要手段。本文利用M信托消费金融业务真实放款的历史数据（脱敏）为建模样本，结合第三方数据源的大数据优势，应用基于某信托机构消费金融数据，构建了基于大数据的机器学习信用评分模型，应用GBDT算法与XGBoost算法进行信用评分建模，并将结果与传统的Logistic建模结果进行比较，结果发现，无论是在数据建模区分结果的K-S、AUC指标及稳定性PSI指标上，还是在实际经济效益的拒绝率与违约率的表现上，基于GBDT算法与XGBoost算法的模型表现均优于传统Logistic模型。

【关健词】

消费金融;信用评估;大数据建模;GBDT算法;XGBoost算法

【作者】

戴稳胜，IMI特约研究员、中国人民大学财政金融学院教授

刘志兴，中国人民大学财政金融学院