随着互联网金融的迅猛发展,信用风险管理面临的挑战也愈发严峻。信用评分模型作为信用风险管理的核心内容,旨在发现潜在的违约贷款人,规避金融风险,在金融行业中发挥着重要作用。然而,信贷客户数据的高度不平衡特点也影响着信用评分模型的性能。如何有效地处理不平衡数据,提高信用评分模型性能是近年来研究的热点问题。针对信贷客户数据的高度不平衡特点,本文首先对原始数据进行了均衡化的处理,然后在此基础上建立了集成信用评分模型,主要研究内容与创新点如下:(1)针对信用不平衡数据的问题,本文提出了基于生成对抗网络的不平衡数据扩充方法。该方法首先利用生成对抗网络对原始少数类样本进行学习,并生成符合原始数据分布的样本;然后基于欧氏距离对生成的样本进行筛选,使得生成样本较多地分布在样本边界,丰富了边界样本信息;最后合并原始数据与生成的少数类样本以获得均衡的样本集。实验结果表明,对于不同的不平衡比例的数据集,该方法都能有效地扩充数据,并且在十个基分类器上均能取得较好的效果。(2)在均衡化后的数据基础上,本文提出了一个基于深度神经网络(Deep Neural Networks,DNN)的极端梯度增强(Extreme Gradient Boosting,XGBoost)集成信用评分模型。在所提出的模型中,首先采用装袋采样方法将训练集划分为可变训练子集;其次对每个训练子集利用DNN网络构建特征提取器;然后将特征提取器中的隐藏层数据作为XGBoost的输入来构造基分类器;最后利用概率平均对不同基分类器的输出进行组合生成最终样本预测标签。为验证本文模型的性能,实验数据采用了UCI库中的三个公开信用数据集,同时评估了DNN的隐藏层数对于模型性能的影响,结果表明,与对比的基础分类器、集成分类器和变体模型相比,本文模型的准确性都有显著提高。