信用评分模型中拒绝推断问题研究:基于半监督协同训练法的改进

作     者：黎春 周振宇 Li Chun;Zhou Zhenyu

作者机构：西南财经大学统计学院、中国社会经济统计研究中心 阿里巴巴集团商业智能部 

出 版 物：《统计研究》 (Statistical Research)

年 卷 期：2019年第36卷第9期

页      面：82-92页

核心收录：

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家社会科学基金一般项目“货币政策对企业财务非对称性传导效应研究”(16BGL059) 国家社会科学基金重大项目“大数据背景下我国新经济新动能统计监测与评价研究”(18DZA124) 国家社会科学基金重大项目“中国各地HDI指数的编制和研究”(16ZDA010) 国家自然科学基金青年项目“中国上市公司财务指数编制的理论、模型及其应用”(71102180) 西南财经大学项目“新时期宏观经济实时监测创新团队”(JBK190507) 西南财经大学项目“上市公司财务指数与宏观经济景气预测创新团队”(JBK190506)的资助 

主　　题：拒绝推断 信用评分 半监督协同训练 BCT算法 

摘      要：随着我国金融市场的蓬勃发展,信用评价中的拒绝推断问题越来越受到重视。针对信用评分模型中存在的有类别标签的样本占比低,并且样本中的类别分布不平衡等问题,本文在半监督学习技术与集成学习理论的基础上,提出了一种新的算法——BCT算法。该算法通过使用动态Bagging生成多个子分类器,引入分类阈值参数来解决样本类别分布不平衡问题,以及设定早停止条件来避免算法迭代过程中存在的过拟合风险,以此对传统半监督协同训练法进行改进。通过在5个真实数据集上的实证分析发现,在不同数据集与不同拒绝比例下,BCT算法的性能均优于其他6种有监督学习和半监督学习算法的信用评分模型,显示了BCT算法具有良好的模型泛化性能和更高的模型评价能力。