信用評級模型是金融機構(gòu)科學(xué)評估客戶違約風(fēng)險的重要工具。以提升信用評級模型分類準確性和確�？山忉屝詾槟繕�(biāo),提出將XGBoost算法與Logistic Group Lasso模型相結(jié)合的信用評級方法,利用XGBoost算法進行特征選擇來簡化模型結(jié)構(gòu),構(gòu)建Logistic Group Lasso模型來確保模型中重要變量的可解釋性�；谀成虡I(yè)銀行小微企業(yè)信貸業(yè)務(wù)數(shù)據(jù)的實證研究表明,新方法對貸款客戶的分類效果顯著優(yōu)于常規(guī)方法,能夠有效防控客戶的違約風(fēng)險,為金融機構(gòu)帶來更多收益。 

【文章來源】：征信. 2019,37(11)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

自變量的相對重要性排序可以依據(jù)自變量的重要性相對百分比剔除重要

【參考文獻】：
期刊論文
[1]信用評級模型構(gòu)建的統(tǒng)計學(xué)解讀[J]. 夏利宇,何琬.  征信. 2019(06)
[2]處理不平衡征信數(shù)據(jù)的零膨脹信用評級模型[J]. 何曉群,夏利宇,姜天英.  數(shù)理統(tǒng)計與管理. 2019(05)
[3]基于半?yún)?shù)方法進行拒絕推斷的信用評級模型[J]. 夏利宇,何曉群.  管理評論. 2018(10)



本文編號：3594270