[论文解读] Improving a Credit Scoring Model by Incorporating Bank Statement Derived Features

Rory Bunker, Wenjun Zhang+1 more|arXiv (Cornell University)|Oct 30, 2016

Financial Distress and Bankruptcy Prediction参考文献 25被引用 8

一句话总结

本研究通过将来自90天银行对账单的5个新型特征（此前未在申请表中使用）整合到朴素贝叶斯分类器中，提升了新西兰某贷款机构的信用评分模型。结合模型使用了11个现有申请表特征与5个银行对账单特征，AUC达到最高值0.791，优于两个基线模型，表明银行对账单数据显著提升了信用风险预测能力，尤其在高度不平衡的数据集中表现突出。

ABSTRACT

In this paper, we investigate the extent to which features derived from bank statements provided by loan applicants, and which are not declared on an application form, can enhance a credit scoring model for a New Zealand lending company. Exploring the potential of such information to improve credit scoring models in this manner has not been studied previously. We construct a baseline model based solely on the existing scoring features obtained from the loan application form, and a second baseline model based solely on the new bank statement-derived features. A combined feature model is then created by augmenting the application form features with the new bank statement derived features. Our experimental results using ROC analysis show that a combined feature model performs better than both of the two baseline models, and show that a number of the bank statement-derived features have value in improving the credit scoring model. The target data set used for modelling was highly imbalanced, and Naive Bayes was found to be the best performing model, and outperformed a number of other classifiers commonly used in credit scoring, suggesting its potential for future use on highly imbalanced data sets.

研究动机与目标

• 评估从银行对账单中提取的特征（未在贷款申请表中报告）是否能提升信用评分模型的性能。
• 比较仅基于申请表特征的模型与仅基于银行对账单衍生特征的模型在预测性能上的差异。
• 开发并评估一个整合两类特征的联合模型，以提升信用风险评估能力。
• 评估朴素贝叶斯在高度不平衡信用评分数据集中的适用性。

提出的方法

• 仅使用11个现有申请表特征构建基线模型。
• 仅使用从90天银行对账单数据中提取的5个新特征，构建第二个基线模型。
• 将两组特征合并为一个16特征的模型以进行评估。
• 应用Fayyad & Irani离散化方法，将连续的银行对账单特征转换为区间。
• 采用证据权重（WOE）转换进行特征编码，以提升模型的可解释性与性能。
• 使用ROC AUC评估多种分类器，最终选择朴素贝叶斯作为性能最佳的模型。

实验结果

研究问题

• RQ1 未在贷款申请表中申报的银行对账单衍生特征是否能提升信用评分模型的性能？
• RQ2 仅使用银行对账单特征的模型与仅使用申请表特征的模型相比，其预测能力如何？
• RQ3 将银行对账单特征与传统申请表特征结合，是否能显著提升模型性能？
• RQ4 朴素贝叶斯是否是高度不平衡信用评分数据集中的可行且有效的分类器？

主要发现

• 结合11个申请表特征与5个银行对账单衍生特征的联合特征模型，AUC达到最高值0.791，优于两个基线模型。
• 仅使用申请表特征的基线模型AUC高于仅使用银行对账单特征的模型，表明后者单独使用不足以实现强预测能力。
• 朴素贝叶斯分类器在高度不平衡数据上优于其他常用信用评分分类器。
• 五个特定的银行对账单衍生特征（如持有某种特定信用卡类型、不与某家金融机构往来）表现出显著的证据权重（WOE）值，表明其具有预测相关性。
• 在误分类成本比率x=2（即假阳性成本为假阴性的两倍）的模型中，真正例率达到了0.953，正确识别了7,059名良好申请人中的7,401名。
• 本研究建议，由于朴素贝叶斯在此类场景中表现优异，应进一步探索其在信用评分中的应用，特别是在高度不平衡的数据集中。