摘要
随着我国信贷规模的持续扩大，金融机构面临的信用风险也随之增大。一直以来，客户贷中管理作为风控中的重要环节而备受关注，针对贷中客户建立有效的行为评分模型有利于金融机构管理风险、提升收益。当前信贷产品不断推陈出新，使得仅用少量有标签样本建模的冷启动问题变得愈发常见。冷启动可能导致的模型不稳和预测不准，给风险管理带来了巨大挑战。 本文以风控中的行为评分为背景，解决冷启动问题为目的，受到 Entire Space Multi-Task Model（ESMM）的启发，借助信贷流程中申请贷款、接受授信、发生违约的顺序依赖性，为拒绝样本赋予相应的标签，利用多任务学习框架，隐式地学习接受授信客户的违约概率。该模型利用拒绝样本的信息，以丰富原有的建模数据来达到缓解冷启动的目的，从而提高模型的预测精度。 在将本文的ESMM-share与底层网络不共享的ESMM-split，以及仅基于接受样本建立的XGBoost和Artificial Neural Network（ANN）进行比较后发现，首先，在典型的冷启动问题下，ESMM-share有着较好的模型性能，并且随着样本量的减少，该模型的优势逐渐变大。其中单纯用数据增强缓解冷启动的策略并没有 ESMM-share 的效果明显。同时该模型在较大样本量的数据集上依旧表现良好，说明其适用场景不仅局限于冷启动问题。其次，通过改变自变量相关程度以及自变量??与??的相关情况发现，ESMM-share 在不同数据情况下均有良好表现。此后，ESMM-share在申请评分模型性能较差时依旧有着较好的性能。最后，该模型对于损失函数中的任务权重比敏感，因此为获得更好的模型性能，需提前通过调参选出最优损失函数权重比。综上， ESMM-share在缓解冷启动问题上有着明显的优势，且适用范围广泛，可为风险识别、风险管理以及决策提供有效支持。
NETL