近几年来，各家商业银行陆续推出多种贷款业务，如何识别贷款违约因素已经成为各家商业银行健康有序发展贷款业务的关键。

在贷款违约预测的数据的基础上，探索是否能通过借贷者的数据判断其违约风险，从而帮助商业银行提前做好应对。

由Jiasong Xue撰写

解决方案

任务/目标

根据借款者的个人信息和贷款的属性，运用SAS EM软件，使用多种模型进行分析。

× 特征一般都是由类别型特征和数值型特征组成，而数值型特征又分为连续型和离散型。类别型特征有时具有非数值关系，有时也具有数值关系。比如‘grade’中的等级A，B，C等，是否只是单纯的分类，还是A优于其他要结合业务判断。数值型特征本是可以直接入模的，但往往风控人员要对其做分箱，转化为WOE编码进而做标准评分卡等操作。从模型效果上来看，特征分箱主要是为了降低变量的复杂性，减少变量噪音对模型的影响，提高自变量和因变量的相关度。从而使模型更加稳定。

数据源准备

因获取数据的能力有限，并为了保证数据量足够巨大且数据质量较高，我们选择了贷款违约预测的数据。

整个数据集为有800,000条数据，每条数据除了ID、是否违约isDefault该目标值，还包括loanAmnt、term、interestRate、installment、grade、employmentTitle、employmentLength、homeOwnership 29个变量，变量的具体情况在数据探索中进行描述。

特征转换

为了进一步探究issueDate和earliesCreditLine这两个时间ID的时间久远性是否会对我们的预测产生影响，另外增加了两个变量，分别是interval_issueDate和Interval_earliesCreditLine,都是用2020减去issueDate和earliesCreditLine的年份得到的。对缺失数据进行补缺，修改年份变量为区间型变量并对其进行分箱处理，对偏正态分布的变量进行对数处理，拒绝单值型变量。

划分训练集和测试集

划分数据集的50%为训练集，50%为验证集。

Jiasong Xue

✉

联系我们

本文分析的数据分享至会员群

加入会员群

最受欢迎的见解

1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像

2.R语言基于树的方法：决策树，随机森林

3.python中使用scikit-learn和pandas决策树

4.机器学习：在SAS中运行随机森林数据分析报告

5.R语言用随机森林和文本挖掘提高航空公司客户满意度

6.机器学习助推快时尚精准销售时间序列

7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用

8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）

9.python中用pytorch机器学习分类预测银行客户流失

建模

使用逐步Logistic回归

回归结果显示，贷款违约风险与年收入负相关，与债务收入比正相关，与利率正相关，与贷款金额正相关；对于分类变量，贷款年限3年的贷款违约风险显著小于贷款5年，2013-2015年的贷款违约风险显著大于2015-2017年等等。

视频

逻辑回归Logistic模型原理和R语言分类预测冠心病风险实例

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

视频

从决策树到随机森林：R语言信用卡违约分析信贷数据实例

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

决策树

使用二分支和三分支决策树进行分析，结果显示影响贷款违约的重要因素有homeOwnership、ficoRangeHigh、dti、grade、term、issueDate等。

随机森林

调参后设置最大树个数为100，最大深度为50，显著性水平为0.05，结果显示训练误分类率为0.1964，验证误分类率为0.1974，根据Gini缩减，对分类准确度影响较大的变量为grade、interestRate、term、dti、ficoRangeHigh等。

模型比较

通过比较发现，Logistic回归具有最小的验证误分类率，为0.1965，其次是三分支决策树和随机森林，最差的为二分支决策树。

在累积提升度和ROC曲线上，Logistic回归和随机森林表现相近，二分支决策树和三分支决策树表现相近，但是Logistic回归和随机森林模型表现明显优于两个决策树模型。

使用SAS ENTERPRISE MINER进行数据挖掘：信用评分构建评分卡模型

阅读文章 ➜

逐步回归模型的验证误分类率低于决策树1、决策树2和随机森林模型，这表明在这四个模型中，逐步回归模型相比其他模型对于新样本具有更强的泛化能力，在对新样本违约概率的预测上更加准确。

随时关注您喜欢的主题

根据结果，就数值型变量而言，违约风险与借款人的债务收入比dti、循环额度利用率revolUtil、贷款利率interestRate、贷款金额loanAmnt、借款人信用档案中未结信用额度的数量openAcc显著正相关；与就业职称employmentTitle、年收入annualIncome、借款人在贷款发放时的FICO所属的下限范围ficoRangeLow、分期付款金额installment、信贷周转余额合计revolBal、借款人信用档案中当前的信用额度总数totalAcc显著负相关。

对于贷款发放年份issueDate，相较于2017年6月之后发放的贷款，2013年6月之前发放的贷款违约风险显著更大，贷款发放年份在2013.6-2015.6年的违约风险稍低，在2015.6-2017.6年的贷款则显著更小。

申请类型applicationType为0时，其违约风险显著小于其值为1时。

相对于贷款等级G，贷款等级为A、B、C时，其违约风险显著更大，贷款等级为D、E、F时，违约风险则显著更小。

相对于房屋所有权状况homeOwnership为5时，homeOwnership为1时，违约风险显著更小，homeOwnership为0,2,3时，违约风险减小，但其结果在统计学上不显著；homeOwnership为4时，违约风险升高，但在统计学上仍然不显著。

贷款用途purpose为0,4,5,8,12时，违约风险显著大于用途为13，用途为1,7,9时，违约风险显著更小，用途为2,3,6,10,11时，其违约风险相对于13没有统计学意义。

贷款期限term为3年时，其违约风险显著小于贷款期限为5年。

验证状态verificationStatus为0时，相对于其值为2时违约风险显著更大。其值为1时则相对于2违约风险显著更小。

因此，建议贷款发放机构在评估借款人的违约风险时，重点关注借款人的负债收入比、就业职称、年收入、房屋所有权状况等个人信息，并分析借款人的借款行为，包括其申请贷款的金额、利率、分期付款金额、用途、申请类型、贷款等级、贷款期限、验证状态，调查借款人的历史借款记录，包括循环额度利用率、借款人信用档案中未结信用额度的数量、贷款发放时的FICO所属的下限范围、信贷周转余额合计、信用档案中当前的信用额度总数。

对于已经发放的贷款，如果贷款行为发生于2013年6月之前，贷款发放机构应该尽快追回并做好坏账准备。