Jul, 2024

解决采样偏差问题：一种用于训练和评估信用评分模型的框架

HTML
PDF
TL;DR在金融机构中，评分模型的建立和评估基于已接受申请人的数据，而他们的还款行为已知。然而，这样做会产生抽样偏差，而论文中提出的两种方法，即拒绝推理和贝叶斯框架，有效地解决了这个问题，并证实了它们在预测性能和盈利能力方面的优越性。
发现论文，激发创造
  • 信用评分中的拒绝推断浅层自学习

    本文提出了一种自我学习的框架和一种新的评估措施，用于处理样本偏差和拒绝推断问题，并在真实的信用评分数据集上进行了测试，证明其相对于传统的自我学习和拒绝推断策略具有更好的性能和评估效果。

    Sep, 2019

  • 超级应用行为模式在信贷风险模型中的应用：金融、统计和监管影响

    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

  • 信用评分中的公平性：评估、实施和利润影响

    本研究探讨公平机器学习在征信评分中的应用，介绍了统计公平性准则、机器学习模型中公平性目标的算法选择，使用实际数据实证比较了不同的公平性处理器，发现多种公平性准则可以同时得到满足，提出分离度作为评估公平性的准则，证明了公平性处理器能在利润与公平性中找到一个良好的折中点，可以以较低的成本将算法歧视降低到合理的水平。

    Mar, 2021

  • 揭示机器偏见之源

    该研究使用结构经济模型分析了在线小额贷款平台上人类评估者的决策动力，并估算了模型参数。研究发现人类评估者的决策中存在基于偏好和信念两种类型的性别偏见，均偏向女性申请人。通过对事实模拟，研究量化了性别偏见对贷款授予结果和公司及借款人福利的影响。研究还发现，机器学习算法可以缓解偏好和信念两种性别偏见。

    Jan, 2022

  • 公平信貸評分的算法決策方法

    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

  • 强大多数，偏倚少数：通过大型语言模型实现综合信用评分

    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

  • 消除偏见的偏见决策模型比较：基于抵押贷款申请数据的方法对比

    通过对房屋贷款申请决策的真实数据添加反事实（模拟）种族偏见，本文展示了即使没有将族裔作为预测变量，机器学习模型（XGBoost）仍然会重复这种偏见。接下来比较了几种去偏方法：禁止变量的平均值、在禁止变量中选择最优预测（一种新方法）以及同时最小化误差和预测与禁止变量之间的关联。去偏可以恢复部分原始决策，但结果对于偏见是否通过代理方式产生是敏感的。

    May, 2024

  • 使用BRIO工具评估信用评分中的人工智能公平性

    我们提出了一种定量，深入分析AI系统中的公平问题的方法，并将其应用于信用评分。我们使用了BRIO工具来评估AI系统在社会不公正和道德上不可取行为方面的情况，其中包括了一个模型无关的偏见检测模块和一个完整的不公平风险评估模块。我们分析了UCI德国信用数据集，将BRIO的公平度量应用于德国信用数据集中的多个社会敏感属性，量化了各种人口统计分布中的公平性，旨在确定信用评分模型中潜在的偏见和歧视来源。最后，我们将研究结果与收入分析相结合。

    Jun, 2024

  • 信用评分：表现与公平

    本研究探讨了美国信用评分在消费者债务分配中的表现不足，特别是对低评分借款人的错误分类。通过使用机器学习模型，该研究显著提高了对年轻、低收入和少数群体的信用预测准确性，表明改善信用评分性能可以促进对信用的更公平获取。

    Aug, 2024

  • 责任机器学习在信用评分中的最佳实践

    本文针对信用评分中的机器学习应用，解决了可能存在的偏见、歧视与不透明性等问题。通过非系统性的文献综述，提出了公平性、拒绝推断与可解释性等最佳实践，引导金融机构在应用机器学习时，确保道德与责任借贷的实现。研究强调了透明性的重要性，为理解和改善个人信用评分提供了方法和技巧。

    Sep, 2024