[论文解读] Credit Scoring for Good: Enhancing Financial Inclusion with Smartphone-Based Microlending

María Óskarsdóttir, Cristián Bravo+3 more|arXiv (Cornell University)|Jan 29, 2020

FinTech, Crowdfunding, Digital Finance被引用 14

一句话总结

本文提出了一种基于智能手机的微额贷款信用评分框架，通过利用从用户行为数据派生的伪社交网络，提升金融包容性。通过在匿名化的智能手机数据上结合表征学习与复杂网络分析，该方法在确保伦理与隐私合规的前提下，提高了信用风险预测的准确性。

ABSTRACT

Globally, two billion people and more than half of the poorest adults do not use formal financial services. Consequently, there is increased emphasis on developing financial technology that can facilitate access to financial products for the unbanked. In this regard, smartphone-based microlending has emerged as a potential solution to enhance financial inclusion. We propose a methodology to improve the predictive performance of credit scoring models used by these applications. Our approach is composed of several steps, where we mostly focus on engineering appropriate features from the user data. Thereby, we construct pseudo-social networks to identify similar people and combine complex network analysis with representation learning. Subsequently we build credit scoring models using advanced machine learning techniques with the goal of obtaining the most accurate credit scores, while also taking into consideration ethical and privacy regulations to avoid unfair discrimination. A successful deployment of our proposed methodology could improve the performance of microlending smartphone applications and help enhance financial wellbeing worldwide.

研究动机与目标

• 为应对全球范围内影响二十亿无银行账户人群（尤其是贫困人口和农村人口）的金融排斥问题。
• 开发一种信用评分模型，利用智能手机数据（如通话活动和应用使用情况）进行评分，而无需依赖传统金融记录。
• 通过基于用户相似性的伪社交网络工程化特征，提升微额贷款应用程序的预测性能。
• 通过避免直接使用社交网络连接或个人身份信息，专注于匿名化行为模式，确保信用评分在伦理与隐私合规方面的要求。
• 评估不同特征类型对信用评分性能的经济与预测影响。

提出的方法

• 通过聚类和相似性度量，识别具有相似智能手机使用模式的用户，构建伪社交网络。
• 应用表征学习技术（例如，node2vec 或类似方法），将用户嵌入到低维向量空间，以捕捉行为相似性。
• 从这些学习到的表征中提取工程化特征，以丰富信用评分模型。
• 使用 AUC、Brier Score 和利润度量对多种机器学习模型（逻辑回归、随机森林和人工神经网络）进行训练与比较。
• 使用统计检验验证不同特征集之间性能差异是否具有显著性。
• 通过数据匿名化和避免直接使用社交网络连接或个人可识别信息，确保伦理合规。

实验结果

研究问题

• RQ1 在微额贷款信用评分中，哪类特征——通话行为、表征学习嵌入向量，还是基于用户相似性的伪社交网络特征——能实现最高的预测性能？
• RQ2 将基于伪社交网络的特征与个体行为数据相结合，相较于单独使用任一类型特征，能否显著提升模型准确性？
• RQ3 使用不同特征集的信用评分模型之间的性能差异是否具有统计显著性？
• RQ4 在不损害隐私或伦理的前提下，对用户相似性网络进行表征学习在多大程度上能增强信用资质预测能力？
• RQ5 所提出的基于智能手机的微额贷款信用评分方法，能否通过为无正式信用记录的个体提供准确的信贷决策，显著提升金融包容性？

主要发现

• 仅使用通话行为已被证明对信用资质具有高度预测性，证实其在替代信用评分中的价值。
• 基于用户相似性的伪社交网络所提取的特征，显著提升了模型性能，优于单独使用个体行为特征的情况。
• 在伪社交网络上进行的表征学习生成了高性能特征，在 AUC 和 Brier Score 指标上均优于传统特征集。
• 行为特征与伪网络嵌入特征的结合，使模型在预测准确性和经济影响（以利润度量衡量）方面达到最高水平。
• 统计检验证实，使用不同特征类型的模型之间性能差异具有显著性，验证了所提出特征工程方法的优越性。
• 该方法在保持与隐私保护及反歧视法规合规的前提下，实现了高预测准确性，通过数据匿名化和间接网络构建实现。