AI驱动的信贷风险评估平台：从预测模型到可解释智能

这个AI驱动的信贷风险评估平台是面向银行场景的端到端解决方案，整合了LightGBM/XGBoost预测模型、SHAP可解释AI技术和自然语言查询功能。项目通过解耦架构设计与Docker容器化实现一键部署，同时结合非对称成本效益建模，使模型决策符合银行风险容忍度，满足合规审计要求。

原作者与来源

• 作者/维护者：deva1702
• 来源平台：GitHub
• 原始标题：credit_risk_model
• 发布时间：2026年6月2日

项目概述 面向银行信贷场景的端到端AI风险评估平台，整合机器学习预测、可解释AI和自然语言交互，采用解耦架构（机器学习、数据工程、对话式AI、展示层分离），支持Docker容器化一键部署。

系统架构 四层架构：

1. 客户端层：Streamlit Web界面
2. 智能与代理层：核心组件包括Groq LLaMA-3.3-70B（自然语言理解）、NL-to-SQL翻译器、SHAP解释器、推理引擎（加载LightGBM/XGBoost模型）
3. 数据与持久层：SQLite数据库、CSV数据源、预训练模型文件

预测模型与特征工程

• 核心模型：LightGBM和XGBoost
• 数据清洗：过滤缺失率>40%的列（TARGET和EXT_SOURCE分数除外）；类别特征标签编码，未知标签用"Missing"回退
• 领域特征：设计CREDIT_INCOME_RATIO、ANNUITY_INCOME_RATIO、DEBT_SERVICE_RATIO、CREDIT_STRESS等财务健康指标
• 类别不平衡处理：采用类别权重调整（scale_pos_weight=5），提高高风险申请人召回率

非对称成本效益建模

• 假阴性成本（批准违约申请人）：贷款本金60%（LGD）
• 假阳性成本（拒绝良好借款人）：贷款本金10%（NIM）
• 决策阈值设为0.30（而非0.5），优化业务成本

模型性能评估 采用80/20分层训练验证，KS统计量评估分离度：

指标	LightGBM	XGBoost	胜出者
ROC-AUC	0.7673	0.7649	LightGBM
PR-AUC	0.2608	0.2578	LightGBM
KS统计量	0.4089	0.4016	LightGBM

可解释AI

• 全局解释：Beeswarm图和平均影响图显示EXT_SOURCE_2/3主导全局风险信号
• 个体解释：动态因素卡片（颜色编码特征影响）、瀑布图（特征调整过程）

自然语言查询 支持纯英语探索数据集，通过模式注入提示确保SQL准确性，有幻觉回退机制

技术亮点

1. 领域知识整合：将金融理论融入CREDIT_STRESS等专业特征
2. 业务目标对齐：非对称成本建模优化实际业务指标
3. 可解释性优先：SHAP集成满足监管与用户信任需求
4. 自然语言交互：降低非技术用户分析门槛
5. 工程化思维：分层架构与容器化确保可维护性

项目启示 为AI在金融领域的应用提供参考，展示如何将实验室原型转化为生产级银行解决方案

部署步骤

1. 克隆仓库：git clone <repository> && cd credit_risk_model
2. 配置环境变量：创建.env文件，设置GROQ_API_KEY、DATA_PATH、MODEL_PATH、DB_PATH、ACTIVE_MODEL
3. 启动容器：docker-compose up
4. 访问：http://localhost:9200