近日，由福建省统计科学重点实验室主任方匡南教授领衔，联合湖南大学王小燕教授（厦门大学2016届博士）、湖南大学在读博士生焦安康、南开大学李晶茂副教授（厦门大学2024届博士）共同完成的研究成果“Privacy-preserving multi-source transfer learning for credit risk prediction with mixture cure models”在国际运筹学与管理科学领域权威期刊European Journal of Operational Research（EJOR）在线发表。EJOR是欧洲运筹学会联合会会刊，致力于发表对运筹学和管理科学领域有重要理论贡献和实际应用价值的高质量研究成果。作为该领域国际公认的权威期刊，EJOR是英国商学院协会（ABS）认定的四星级期刊，也是JCR一区期刊。该研究得到国家自然科学基金项目和福建省社会科学基金项目的资助。
准确识别借款人的违约风险，是金融机构开展授信决策、风险定价和贷后管理的重要基础。传统信用评分通常将借款人划分为“违约”与“不违约”两类，主要回答借款人是否可能违约，却难以进一步刻画违约风险随时间的变化，以及违约可能在何时发生。
生存分析方法能够对违约时间进行动态预测，但传统生存模型通常隐含“所有借款人最终都会违约”的假设。这与现实并不完全相符，因为部分借款人在整个贷款期限内可能始终保持正常还款。混合治愈模型可以将借款人区分为长期不违约者和潜在违约者，并分别判断“是否可能违约”以及“潜在违约者何时可能违约”，因而更符合信用风险管理的实际需求。
然而，当金融机构推出新产品、进入新市场或拓展新客群时，往往面临目标业务样本不足的问题。虽然其他业务部门或合作机构拥有相关数据，但受个人信息保护、商业保密和数据安全要求限制，借款人级原始数据通常难以直接共享。同时，不同机构的数据在客户结构、授信政策和区域环境等方面存在差异，简单合并数据还可能造成模型偏差和“负迁移”。
围绕“小样本、隐私约束和多源异质性”三项难题，研究团队提出了隐私保护多源迁移学习混合治愈模型MTL-MCM，为跨机构、跨平台信用风险协同建模提供了新的统计学习工具。
研究团队使用三个借贷平台的真实数据开展实证分析。其中，目标数据包含7678个贷款样本和582个违约事件，两个来源数据分别包含215330个和25600个样本。模型只使用来源数据提炼出的摘要知识，不直接调取来源平台的借款人级原始记录。实证结果显示，在文章设置的十个动态预测时点上，MTL-MCM在H-measure、AUC和KS等信用风险判别指标上均取得了最优表现，其估计的生存曲线也与目标数据的实际风险变化更加接近。研究还发现，历史正常还款经历与较低的违约倾向和较慢的违约到来相关，而历史逾期经历则与更高的违约倾向密切相关。这些结果不仅提高了预测准确性，也为识别关键风险因素提供了可解释的依据。
该研究具有较为明确的应用价值。对于新产品、新设分支机构和新客户群体，模型可以通过迁移相关业务或合作机构的知识，缓解冷启动阶段样本不足的问题；在跨银行、金融科技平台、支付平台和电子商务平台的合作场景中，模型可以在不集中共享原始数据的条件下开展知识协同；在贷后管理中，模型能够形成逐月更新的前瞻性风险评分，为风险预警、客户分层和风控资源配置提供支持。除信用风险管理外，该框架还可拓展至非上市企业风险评估、新产品需求预测以及其他同时面临小样本、数据孤岛和来源异质性的管理决策问题，为隐私约束下的多源数据价值释放提供新的方法支撑。
