| 隐私保护下的迁移学习信贷违约预测 |
| Privacy-Preserving Transfer Learning for Credit Default Prediction |
| 摘要点击 97 全文点击 0 投稿时间：2025-06-14 修订日期：2026-04-30 |
| 查看/发表评论 下载PDF阅读器 |
| 中文关键词 信贷违约预测; 迁移学习; 跨场景建模; 迁移价值; 隐私保护 |
| 英文关键词 credit default prediction; transfer learning; cross-scenario modeling; transferability; privacy protection |
| 基金项目 国家自然科学基金项目（重点项目，重大项目）；天津大学学科交叉中心新兴方向培育专项资助项目 |
| 投稿方向 金融科技信贷 |
| 作者 | 单位 | 邮编 | | 郑润达* | 天津大学管理与经济学部 | 300072 | | 张维 | 天津大学管理与经济学部 | | | 张永杰 | 天津大学管理与经济学部 | | | 柴洪峰 | 复旦大学金融科技研究院 | | | 孙权 | 中国银联电子支付研究院 | |
|
| 中文摘要 |
| 针对信贷违约预测场景中的经济学逻辑和先验信息, 本文改进了无源域自适应的迁移学习方法, 在无需直接访问源域数据的情况下, 实现跨场景建模, 并成功地提升了该类方法在信贷违约的预测有效性. 区别于数据驱动的特征筛选方式,本文基于信贷业务逻辑的先验信息, 提出了迁移学习中的一类新的特征划分方式：依据不同场景下特征对违约风险推断的逻辑一致性, 将反映借款人“还款经济压力”和“信用水平”的特征确定为具有高迁移价值的“相似特征”; 其余则归类为“非相似特征”. 在此基础上, 设计双分支结构的神经网络模型, 分别处理这两类特征. 在迁移过程中, 微调源域模型对“相似特征”的判别模式, 弱化“非相似特征”在跨域场景下的不适应性并保留可迁移部分, 从而有效缓解负迁移效应. 实证结果表明, 在全样本静态回测中, 所构建的迁移模型性能优于源域模型; 在基于移动时间窗口的动态测试中, 当目标域历史样本有限时, 该方法显著优于在目标域直接使用源域模型、以及运用目标域数据的独立建模. 本研究为银行新型消费贷款业务在模型“冷启动”阶段提供了一条兼顾隐私保护与建模效能的可行路径. |
| 英文摘要 |
| This paper enhances unsupervised domain adaptation for credit default prediction by incorporating economic logic and prior knowledge, enabling effective cross-scenario modeling without direct access to source-domain data. Instead of purely data-driven feature selection, we propose a novel feature partitioning method based on the consistency of risk inference logic across scenarios: features reflecting borrowers' "repayment pressure" and "creditworthiness" are identified as highly transferable "similar features", while others are deemed "dissimilar." A dual-branch neural network is designed to process these feature types separately. During transfer, the model fine-tunes the source knowledge on similar features while mitigating negative transfer from dissimilar ones. Empirical results show that our approach outperforms the source model in static backtesting and achieves superior performance in dynamic, time-window evaluations—especially when target-domain data is scarce. This method offers a privacy-preserving and effective solution for model cold-start in banks' new consumer lending services. |
| 关闭 |
|
|
|
|
|
