本文介绍了使用通话记录等大数据源以增强信用评分模型的性能及经济效益的研究。利用不同数据集结合社交网络分析技术，本文得出结论：在信用评分模型中融入通话记录等数据，可以显著提高其统计和经济性能，尤其是在利用利润度量和利润相关选择特征等方面。此外，调用行为特征不仅是其他模型中最具有预测性的特征，而且用它构建模型可以获得最佳利润。

Feb, 2020

本研究使用移动电话数据的行为签名来预测南美电信所提供的信贷的还款结果，表明低信用历史个人的行为特征在一定程度上可以优于传统的信用报告预测还款违约的能力，此方法可为无法通过传统方式获得信用分的人群提供更多选择，如未被银行认可的人群。

Dec, 2017

本文研究表明，相较于传统机构数据，利用基于应用程序的市场的替代数据对信用评分模型的影响。这些替代数据来源已经在传统银行和金融机构未能满足需求的人群中展现出巨大的预测借款人行为的能力。结果揭示，在两个国家得到了确认，这些新型数据来源特别适用于预测财务行为中低财富和年轻人，而这类人也是最有可能借助替代性贷款的人群。此外，通过使用 Stochastic Gradient Boosting 解释的 TreeSHAP 方法，我们的结果也显示，这些应用程序来源的变量存在着有趣的非线性趋势，这些趋势对于传统银行而言不是常见的信息。因此，这些研究结果展现了技术公司识别替代数据来源并妥善处理这些新信息的机会与挑战。同时，需要注意的是，替代数据必须经过认真的验证才能克服不同管辖区域的法规障碍。

May, 2020

本文研究了金融科技贷款平台的贷款筛选中所存在的表征偏差问题，并提出了一种基于 Transformer 的序列贷款筛选模型，采用自监督对比学习和领域自适应来解决这个问题。实验结果表明，该模型显著促进了资金决策的包容性，并将贷款筛选精度和利润分别提高了 7.10％和 8.95％。

May, 2023

本研究探讨数字银行和替代贷方对金融包容性的双重影响以及他们的商业模式所带来的监管挑战，通过对运营框架和技术基础设施的详细分析，确定了促进更广泛金融准入并缓解传统障碍的关键机制；此外还解决了与数据隐私、算法偏见、金融稳定和消费者保护有关的重要监管问题，通过定量金融数据分析与行业专家的定性见解相结合的混合方法研究，阐明了利用数字技术促进金融包容性的复杂性；研究结果强调了需要演进的监管框架，以将创新与全面风险管理相协调；本文最后提出了针对监管机构、金融机构和技术提供商的政策建议，旨在通过审慎的数字技术整合培育一个更具包容性和稳定性的金融生态系统。

Apr, 2024

这篇研究主要考察当前使用的情感分析技术以提高信用评级预测的准确性，以解决银行及其他非政府组织人工审核贷款的低效与容易出错的问题。

Sep, 2022

通过使用通信运营商提供的大规模数据，本文基于融合 LightGBM 算法对运营商用户信用评估模型进行了研究，首先通过数据预处理和特征工程方法提取与用户评估相关的关键特征，构建具有统计学意义的多维特征集合；然后，使用线性回归、决策树、LightGBM 等机器学习算法构建多个基础模型，找出最佳基础模型；最后，整合平均、投票、混合、堆叠等集成算法，优化多个融合模型，最终建立适用于运营商用户评估的最佳融合模型。

Mar, 2024

本研究探讨了 12 种顶级的偏差缓解方法，讨论其性能，基于 5 种不同的公平度量标准、实现的准确性和金融机构的潜在利润。我们的研究结果表明，在保留准确性和利润的前提下实现公平存在困难，同时突出了一些最佳和最差的表现，并有助于实验机器学习和其工业应用之间的联系。

Sep, 2022

本文提出了一种基于深度学习方法的银行零售客户信用评分的新方法。我们使用 RNNs 分析精细的跨国数据来为贷款申请人计算信用评分，并证明我们的方法显著优于基于某大型欧洲银行客户数据的基线方法。此外，我们在银行的贷款申请人上开展 pilot study，该研究为该机构带来了显著的财务收益。本文还描述了我们的方法具有的其他一些非常重要的优势。

Nov, 2019

研究发现，LLMs 在信用评估中具有潜力，可以克服传统模型的局限，强调金融行业中客观决策的重要性。

Oct, 2023