挪威商学院与挪威经济学院的研究人员通过整合信贷与借记交易数据，开发了一款预测个人信用风险的模型。该模型在预测信用卡逾期方面的表现，显著优于当前最先进的machine learning，同时它还能更清晰地揭示还款问题背后的行为驱动因素。

发表于The Journal of Finance and Data Science的一项新研究表明，将信用卡数据与客户的借记卡交易记录相结合，能显著提升信用卡逾期风险的预测能力。该研究团队由挪威商学院的Håvard Huse 、Auke Hunneman 和挪威经济学院的Sven A. Haugland组成，他们共同开发了一种分级的Bayesian行为模型。该模型的预测表现优于如极端梯度提升（XGBoost）、梯度提升机（GBM）、神经网络和堆叠集成等主流的machine-learning 算法。

“仅依靠信贷数据，只能片面地反映客户的财务状况，” 该研究第一作者Håvard Huse 解释道，“通过整合借记卡交易记录，我们能够洞悉客户的发薪日、消费模式、还款行为以及收入规律 —— 这些都是影响客户是否存在逾期风险的关键因素。”

本项研究的信贷及借记卡交易数据由挪威一家大型银行提供。传统信用风险模型在很大程度上依赖于如账户余额、信贷额度这类月度汇总数据，但该类指标无法体现客户日常的资金管理情况。“新模型捕捉到了客户的动态行为变化 —— 如还款模式在不同时间的调整、发薪日后消费支出的激增等，从而既能解释逾期问题产生的原因，也能精准预测潜在的违约人群。” Huse补充道。

该模型提高了个体层面的预测准确率，并依据不同的“记忆周期”划分主体的行为 （“记忆周期” 指的是客户过往财务状态对当前还款行为的影响程度）。研究合著者Auke Hunneman指出：“陷入财务困境的客户，其当前行为往往更容易受前几个月财务表现的影响，而我们的模型在捕捉这种动态关联方面，远比传统machine-learning 算法表现得出色。”

值得注意的是，该团队提出的模型不仅预测性能优于当前最先进的算法，还具备更强的可解释性。Auke Hunneman 补充说：“银行不仅需要精准的预测结果，更需要明确哪些行为模式会催生信贷风险。”

作者还阐述了该模型的实际应用价值: 以三个月为预测周期，通过及早识别高风险持卡客户，银行可以及早干预、减少损失，进而节约了由信贷风险所带来的不必要成本。研究合著者Sven A. Haugland表示：“对银行而言，这不仅仅是预测准确率的提升，更是一种主动帮助客户规避严重财务危机的有效手段。”

该研究成果揭示了信用评分领域的一个新兴趋势：从传统的静态模型，逐步转向(基于客户完整交易信息)动态的行为分析模型。

文章现已发表在期刊The Journal of Finance and Data Science上，欢迎有兴趣的读者及领域内学者阅读、下载：

期刊简介  Journal of Finance and Data Science

The Journal of Finance and Data Science旨在成为金融和数据科学交叉领域研究的前沿期刊。

期刊主编由美国宾州州立大学的黄京志教授担任。编委成员包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，包括两位诺贝尔经济学奖获得者Lars Peter Hansen和Robert J. Shiller。

目前，期刊已被ESCI、DOAJ、Scopus、ProQuest、EBSCO Essentials、EBSCOhost、The Journal Whitelist (Cabells)等数据库收录。