360数科在信用风险评估层面应用的生存分析模型最初源于处理死亡数据，是保险精算、生物医学领域广泛应用的热点模型。
据官方发布的消息，近日，360数科白苗君、郑彦、沈赟研究发表的论文Gradient boosting survival tree with applications in credit scoring（GBST算法在信用风险领域的应用），被英国老牌顶级运筹学期刊Journal of the Operational Research Society收录。
据悉，360数科风控研究团队以目前国际上信用风险分析领域最热门的前沿模型“生存分析模型”为切入点，结合集成树模型，刻画风险随着时间的变化趋势，从而做出更加精准的风险决策。
据介绍，360数科在信用风险评估层面应用的生存分析模型最初源于处理死亡数据，是保险精算、生物医学领域广泛应用的热点模型。生存分析作为一种传统的统计方法，用于处理生命周期数据，探索生存时间的分布情况。
360数科研究团队意识到，生存分析考虑了时间维度的概率预测问题，如果应用在信用风险领域，能够相比传统的信用评估等模型在预测违约的可能性之外，进一步预测用户何时违约。除此之外，模型还能够刻画用户由于非违约事件而发生的借款中止行为，如提前还款、转向其他贷款公司等情况。
360数科提出以生存分析模型为基础，结合boosting的集成学习算法框架的梯度提升生存树（GBST）算法，以预测用户在不同时间段的风险概率分布，通过优化总体损失，大大减少每个时间段预测概率的误差，以达到降低风险的目的。
在风控场景中，该算法可以更精准地预测客户发生分期借款后每期的违约概率，用最小的时间成本进行未来更长期的风险决策，如贷前风险准入、贷中优质客群捞回等。除此之外，该模型可以帮助风控策略制定更加合理的额度、定价及期数策略，实现个性化产品定制。
另外，在营销场景中，通过GBST算法对存量客户在时间维度上进行动态借贷意愿预测，辅助营销部门进行用户营销，助力于实现多样化、多客群、多状态的线上营销策略，在节约营销成本的同时提升成功率及用户转化率。
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
