【AAAI2021】消费违约场景的因果学习

本文探讨了探讨了额度对用户风险的因果效应方法，通过前沿的双重机器学习，克服了现有数据中的“幸存者偏差”问题，构造出能够反映“策略——风险”因果关系的无偏估计量，促进风险管理与机器学习理论更深地结合，帮助信贷机构制定更科学的授信策略。

本文主要研究当贷款人的信贷决策发生变化时，借款人还款的预期差异。经典估计忽略了混杂效应，因此估计误差很大。因此，我们提出了另一种构造估计量的方法，使误差大大减少。通过理论分析和数值检验，证明了所提出的估计量是无偏的、一致的和鲁棒的。此外，我们比较了经典估计量与提出估计量之间因果量的估计能力。通过各种模型(包括线性回归模型、基于树的模型和基于神经网络的模型)，在不同的模拟数据集下进行比较，这些模拟数据集表现出不同的因果关系水平、不同的非线性程度和不同的分布特性。最重要的是，我们将我们的方法应用于一个大型观察数据集，该数据集由一家从事电子商务和贷款业务的全球技术公司提供。我们发现，如果正确地解释因果效应，估计误差的相对减少是显著的。

https://www.zhuanzhi.ai/paper/c0d3c6dcd85a227cbbb05f13ffacf633