Predicting loan defaults model（贷款违约预测模型）

Loan default predictor

（贷款违约预测）

--- dylan at 2014-3-16

一：背景

Kaggle平台举办了一场围绕贷款违约风险评估的比赛, 持续时长为两个月（2014年1月17日至2014年3月14日）。值得注意的是, 过去已有过类似的信贷风险预测竞赛。此次与以往相比更具挑战性, 在难度上也有显著提升。传统的金融模型本质上属于典型的二分类问题, 其核心在于区分正常与违约客户, 在金融风险管理中这类问题通常面临类别失衡的问题。本次比赛的具体目标是通过分析历史数据识别高风险客户, 并进一步估算其违约概率, 同时要求参赛者设计高效可靠的分类与回归模型以应对这一复杂任务

二：评估指标

在讨论评估指标时值得提及的是，在本次比赛中采用的评价指标为MAE（Mean Absolute Error），与以往常用的MSE（Mean Squared Error）不同。值得注意的是，在金融领域中似乎偏好使用MAE作为一种评价标准，并且该方法在衡量长尾分布方面表现出色。此外我们还知道许多现有的模型如线性回归采用最小二乘法进行优化而随机森林则倾向于最小化均方误差（MSE）等损失函数因此如何构建能够有效优化MAE的模型成为本次研究的核心难点

MAE 评估指标如下：

![](https://ad.itadn.com/c/w