基于XGBoost模型的银行信贷高风险客户识别研究——以我国Y银行为例

摘要：

利用XGBoost模型对国内Y银行的信贷数据建立客户申请评分模型,并运用该模型对新客户的违约概率进行预测,然后在训练集和测试集上对模型得分进行分箱,同时计算在每个分数段坏客户的累计召回率,以便对模型的预测效果进行评价.研究发现:模型在训练集和测试集上的AUC值分别为0.97和0.93,且模型在训练集和测试集上得分最高(得分即模型预测为坏客户的概率)的5％的客户可以分别覆盖78.7％和55.6％的坏客户.实践中,可针对得分最高和最低的客户群采取不同的风险政策,以达到最小化银行金融资产风险并最大化公司收益的目的.

关键词：风险政策、XGBoost模型、机器学习

分类号：F832.4(金融、银行)

资助基金：教育部人文社会科学研究一般项目"基于大数据思维的小微企业信用指数体系研究";浙江省教育厅一般科研项目"基于数据挖掘的网络众筹模式下用户参与动机研究";浙江金融职业学院基本科研业务费一般项目"大数据视角下网络众筹投资者行为模式的统计研究"

在线出版日期：2020-05-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：17-28