Interpretable machine learning for default risk prediction in stress testing

Zhao, Junqi

doi:10.21314/JRMV.2025.015

Interpretable machine learning for default risk prediction in stress testing

2026-03-01

0

PRE

AI

DOI：10.21314/JRMV.2025.015

原文链接

原文求助

摘要

En 中文

压力测试对于检验银行投资组合在未来可能的经济条件下的韧性至关重要。压力测试的一个关键组成部分是在预期损失框架内预测信用风险建模中的违约概率。基于逻辑回归（LR）的传统违约概率模型难以捕捉复杂、非线性关系，并且需要大量手动特征工程来满足模型假设并实现最佳模型拟合。在模型验证中，基准模型可以作为有效工具来挑战现有模型的局限性。本研究开发了一个基准模型——在离散时间生存分析设置中使用可解释增强机器（EBM）构建的固有可解释机器学习模型，用于预测实际信用卡投资组合的前瞻性违约概率。基于EBM的模型与经典LR模型进行了比较，结果显示其预测精度与LR模型相当，并且在样本量仅为LR模型五分之一且无需LR模型冗长的手动特征工程的情况下，宏观敏感性得到增强。此外，EBM学习的形状函数使模型固有可解释。本研究为金融机构提供了一个有价值的选项，以在遵守监管期望的前提下，采用基于机器学习的方法优化压力测试模型开发或增强风险模型验证中的基准实践。

Keyword:

credit risk modeling

stress testing

interpretable machine learning

explainable boosting machine

discrete-time survival analysis

Interpretable machine learning for default risk prediction in stress testing

摘要

期刊

机构

引用论文