关键词:
金融科技
数字化转型
信用评分建模
迁移学习
领域自适应
摘要:
当今我国金融数字化转型持续推进,信用评分建模需求日渐增加。但实践中,模型随时间衰减与细分领域建模效果不佳的核心痛点在于数据漂移现象,而当前主流解决方案(高频迭代、复杂深度学习模型)存在成本高、数据需求大、可解释性差等局限,难以适配金融监管要求与中小机构小样本场景。在其他领域广泛应用的迁移学习为该问题提供了新思路,本研究针对经典迁移自适应增强算法(TrAdaBoost)提出三项关键改进(逻辑回归迭代核心与严格特征筛选、预测结果线性映射、源域-目标域权重迭代逻辑统一),并构建以可解释线性模型为核心的迁移学习框架。实验表明,该方法相较于直接使用源域模型,模型效果显著提升(KS提升幅度最高达79.67%),且接近目标域大样本建模结果;进一步探究发现,目标域样本量达到40-70个负样本即可充分发挥迁移效果,为实际业务提供明确数据支撑。因此,该框架可有效解决金融领域模型迭代与小样本建模需求,在提升金融机构风险防控能力、支持普惠金融发展等效益与社会责任层面均具有积极意义。