13、XAI驱动的P2P银行贷款违约网络模型可解释性与预测

XAI驱动的P2P银行贷款违约网络模型可解释性与预测

1. 引言

银行作为确保资金从贷方顺畅流向借方以满足市场需求的机构，一方面为有资金盈余者提供交易便利与资金安全保障，另一方面为有资金需求者提供低成本的借贷服务。然而，银行面临着借款人能否按时还款的重大挑战。一些不法分子会进行金融欺诈、恐怖主义融资和洗钱等活动，而客户身份信息的缺失是导致这些不良行为的重要原因。截至2022年6月，孟加拉国银行发放了13.98万亿塔卡的贷款，其中8.96%（即1.25万亿塔卡）成为坏账。

为降低违约风险，银行采取了多种策略。“了解你的客户”（KYC）是识别潜在违约客户的常用方法。此外，P2P借贷模式通过在线平台直接连接投资者和借款人，为金融科技借贷提供了新的途径。随着科技发展和大数据时代的到来，许多人工智能驱动的技术可用于分类和预测信用违约风险。

本文在预测贷款违约方面的贡献如下：
- 提出基于机器学习的方法，通过分析P2P客户网络来预测银行贷款违约。
- 利用可解释人工智能工具，找出对模型影响较大的关键特征以及模型的容忍度。
- 深入探究客户贷款违约的内在原因，分析单个特征的贡献和特征的排列重要性。

2. 文献综述

银行客户违约是当前银行政策制定者、政府和经济学家面临的重大难题。众多学者从不同角度对银行违约风险进行了研究。例如，有学者分析了银行违约风险对英国企业的影响，评估了欧洲商业银行流动性和信用违约风险的影响，研究了欧洲央行货币政策对欧洲银行违约风险的影响等。

为降低银行违约率，学者们提出了多种方法。如收集美国借贷俱乐部的州级数据集来确定P2P借贷平台银行贷款违约风险的相关因素；开发结合K-mean