机器学习：信用风险建模中的挑战，教训和机遇

1 如何量化信用风险？ 2 机器学习如何服务信用风险？ 由于数据可用性和计算能力的快速增长，机器学习现在在技术和业务中发挥着至关重要的作用。机器学习对信用风险建模应用程序有重大贡献。使用两个大型数据集，我们分析了一组机器学习方法在评估中小型借款人的信用风险方面的表现，其中穆迪分析RiskCalc模型作为基准模型。我们发现机器学习模型提供了与RiskCalc模型相似的准确率。但是，它们比RiskCalc模型更像是一个“黑匣子”，机器学习方法产生的结果有时难以解释。机器学习方法可以更好地拟合解释变量与违约风险之间的非线性关系。我们还发现，无论使用何种模型，使用更广泛的变量来预测默认值都会大大提高准确率。

机器学习是一种教授计算机解析数据，从中学习，然后对新数据做出决定或预测的方法。该机器不需要手动编码一组特定的指令来完成特定的任务，而是使用大量的数据和算法来“训练”机器，以学习如何执行任务。机器学习与其低调的姊妹领域统计学习重叠。两者都试图从大型数据集中发现并学习模式和趋势来进行预测。机器学习领域具有悠久的开发传统，但最近数据存储和计算能力的提高使它们在许多不同领域和应用中无处不在，其中许多领域和应用都非常普遍。苹果的Siri，Facebook的feed和Netflix电影推荐都依赖于某种形式的机器学习。机器学习的最早用途之一是信用风险模型，其目标是使用财务数据来预测违约风险。 当企业申请贷款时，贷方必须评估企业是否能够可靠地偿还贷款本金和利息。贷款人通常使用盈利能力和杠杆作用来评估信用风险。盈利公司会产生足够的现金来支付利息费用和本金。然而，杠杆率更高的公司拥有较少的资产可用来应对经济冲击。给定两个贷款申请者 - 一个具有高盈利能力和高杠杆率，另一个具有低盈利能力和低杠杆率 - 那个公司信用风险较低？当银行在信用风险评估过程中纳入他们检查的许多其他维度时，回答这个问题的复杂性就会增加。这些额外维度通常包括其他财务信息（如流动性比率）或行为信息（例如贷款/交易信用支付行为）。总结所有这些不同的维度到一个分数是具有挑战性的，但机器学习技术有助于实现这一目标。 机器学习和传统统计学习工具背后的共同目标是从数据中学习。这两种方法都旨在通过使用训练数据集来调查潜在的关系。通常，统计学习方法假设变量之间存在数学方程的形式关系，而机器学习方法可以从数据中学习，而不需要任何基于规则的编程。由于这种灵活性，机器学习方法可以更好地适应数据中的模式。图1说明了这一点。