基于反事实因果推断的金融额度模型

反事实额度模型总结

1. 因果推断的研究范式

• 相关性与因果性三大基本假设
  • SUTVA (Stable Unit Treatment Value): 个体间的响应互不影响，同一个体只能接受一种治疗。
  • Unconfoundedness: 相同特征个体的治疗与响应正交。
  • Positivity: 存在0 < P(T=1|X) < 1，确保样本不在对照组或实验组。

2. 因果推断的框架演进

• 从随机数据到观测数据
  • 基于随机对照试验 (RCT) 的提升模型 (Uplift Model)
    • Slearner: 干预变量作为一维特征。
    • Tlearner: 干预变量分组建模。
    • Xlearner: 分组交叉建模。
  • 基于观测数据的双机器学习 (Double Machine Learning, DML)
    • 第一阶段：做随机实验。
    • 第二阶段：寻找工具变量，采用DML等方法匹配相似样本。
  • 基于观测数据的因果表示学习 (Representation Learning)
    • Counterfactual Regression (CFR)
      • DeR-CFR: 迭代模型，分离观测变量。
      • VCNet: 提供连续型干预估计方案。

3. 反事实额度模型设计框架

• 核心问题: 如何给用户设计可借额度，使得平台盈利最大化。
• 先验知识: 额度越高，用户借款越多，违约风险越高。
• 步骤
  • 第一步: 在观测数据上建模额度与风险、收入的因果关系。
  • 第二步: 估计用户在各个额度档位上的预估收入和坏账，确定最大盈利额度。

4. 反事实额度模型的具体实现

• Monotone Counterfactual Regression (Mono-CFR)
  • 因果图: 包括工具变量、混淆变量和调节变量。
  • 模型思想: 给定期望额度，学习∆T与Y的单调性关系。
  • 模型组成部分
    • 额度倾向网络: 预测策略倾向额度，使T⊥∆T。
    • 风险单调网络: 约束∆T与Y的单调性。
  • 离线评估
    • 可解释性验证: 额度对风险的估计曲线。
    • 历史小流量随机实验: 验证不同提额幅度下的风险偏差。
  • 线上实验结论: 额度上涨30%，用户逾期金额下降20%，借款提升30%，盈利性提升30%以上。

5. 模型演进

• 迭代流程: 观测建模 -> 实验迭代 -> 业务决策
  • Step 1: 基于历史大量观测数据进行反事实因果学习。
  • Step 2: 依据小流量随机样本进行效果验证。
  • Step 3: 业务根据模型输出进行实验决策，验证模型效果并获取业务收益。

通过上述模型，平台能够更准确地设计用户的可借额度，从而最大化盈利。