长期以来，如何以最优的策略和手段化解信用风险，一直是金融行业各个机构持续研究的课题。
就在最近，白苗君、郑彦、沈赟在数学上发表的论文《Gradient boostingsurvivaltreewithapplicationsincreditscoring》（GBST算法在信用风险领域的应用）立即被某运筹学杂志转载。
专注于技术方法在各个领域的应用——收录于英国历史最悠久、顶级运筹学期刊《Journal of the Operational Research Society》。
数字风控研究团队以国际信用风险分析领域最流行的前沿模型“生存分析模型”为切入点，与集成树模型相结合，更准确地刻画变化趋势随着时间的推移风险，从而做出更准确的决策。
危险的决定。
随着互联网金融和电子商务的快速发展，中国消费金融市场近年来进入市场爆发期。
尽管信贷需求大幅激增，但央行征信覆盖率并不高，不少征信机构不得不利用大量稀疏、异构的数据进行信用评估。
因此，信用基础设施的缺乏给我国信用机构带来了严峻的挑战，更先进的信用评估技术即将出现。
数学在信用风险评估层面应用的生存分析模型最初源于处理死亡数据，是精算和生物医学领域广泛应用的热点模型。
生存分析是一种传统的统计方法，用于处理生命周期数据并探索生存时间的分布。
数学研究团队意识到生存分析考虑的是时间维度上的概率预测问题。
如果应用于信用风险领域，与传统的信用评估等模型相比，除了可以预测用户违约的可能性之外，还可以进一步预测用户何时会违约。
此外，该模型还可以描述用户因非违约事件而暂停借款的行为，例如提前还款、转投其他贷款公司等。
一份关于中国消费金融市场的研究报告显示，金融服务不断触达更广泛的领域。
人群，而该人群的信用数据大量缺失，需要其他多元化的数据来弥补，从而导致大量的第三方信用和行为问题。
数据。
这些数据的高维稀疏、异构特征给传统信用模型带来了巨大挑战。
而集成学习模型的框架可以通过多个学习器的组合很好地解决这个问题。
，对不同特征的数据进行处理和建模，泛化能力明显优于传统的单一学习器。
结合生存分析可以处理时间维度问题的优势，Mathematics在生存分析模型的基础上，结合Boosting集成学习算法框架，提出了梯度提升生存树（GBST）算法，预测用户在不同时间段的风险概率分布。
，通过优化整体损失，大大降低各个时间段预测概率的误差，达到降低风险的目的。
在风控场景下，该算法可以更准确地预测客户分期贷款每期的违约概率，并用最小的时间成本做出未来更长期的风险决策，如贷前风险准入、贷前风险准入等。
招募贷款优质客户群体。
等待。
此外，该模型可以帮助风控策略制定更合理的额度、定价和周期策略，实现个性化产品定制。
营销场景中，利用GBST算法在时间维度上动态预测存量客户的借钱意愿，协助营销部门进行用户营销，帮助实现多元化、多客户群体、多状态的在线营销策略，节省营销成本。
同时提高成功率和用户转化率。
数学领先的风控表现早已得到全行业的认可。
目前，舒科申请的GBST专利已获得国家知识产权局授权。
公司申请的发明专利中，超过50%涉及大数据风控全流程管理相关核心技术。
可以说，对风控算法和策略的前沿探索是其保持领先的独特秘诀。