信贷风控AI实验：小样本逾期建模与可解释性

在信贷风控场景里，真正稀缺的不是算力，而是标签。多数中小金融机构的逾期样本占比不足1%，且分布随客群结构与政策口径快速漂移，直接套用通用模型，常在通过率与坏账率之间反复失衡。金融AI实验室本期围绕这一约束做了两项阶段性实验。

要点一：小样本建模。以外部公开数据预训练的表征为基础，叠加本地特征分箱先验，在少量逾期样本上做分层微调。内部回测集为近12个月约8万条申请记录，KS由0.28提升至0.34，风险分前10%区间的坏账捕获率提升约11个百分点。

要点二：可解释与漂移监控。用SHAP输出单笔拒贷的主要理由，配合按月计算的PSI监测特征漂移，超阈值即触发重训提示。实验期间人工复核的理由一致性通过率约87%，未出现明显理由与规则冲突。

下一步计划是把实验延伸到贷中额度调整，重点验证长期样本不足下的模型稳定性，并补充拒绝推断环节，以降低通过率变动带来的样本偏差。