用函数化信用行为刻画违约概率的新框架

01 摘要

论文提出一个基于函数数据分析的违约概率建模框架，把一系列信用变量表示为函数，考察月内信息是否提升线性模型的违约预测能力。作者说明可用资金、使用率和透支等常用变量可由三类随时间观测的量导出：账户类型、账户余额和信用额度。作者报告函数逻辑回归在有效函数表示下预测表现与 XGBoost 相当，并持续优于普通逻辑回归；该结论属于作者基于其框架的报告。

02 关键点

1. 以连续时间过程表示账户类型、余额与信用额度，而非压缩为月度聚合值，形成对借款人的连续忠实表示。
2. 发现与银行工作日序位相关的重复事件产生强周期模式，并开发相对时间框架在不同借款人之间对齐这些周期事件。
3. 采用函数逻辑回归评估框架，报告其预测表现与 XGBoost 相当且持续优于逻辑回归，同时保留线性违约模型的可解释性。