近年来,随着网络在线借贷平台的迅速发展,信用风险问题层出不穷。《新巴塞尔协议》中提出把违约损失率加入银行监管资本的计量框架,违约损失率的研究也就成为了信用风险管理场景中的关键课题。当今的大多数信用风险预测模型均使用以贷款开始时期所获得的借款人信息（如收入水平、信用评分等）作为自变量(3,将最终预估目标违约损失率等指标作为因变量(4,并挑选恰当的方式构建相应的学习预测模型框架。在这样的状况下,极可能发生忽视了从(3至(4的过程中,与(3和(4紧密关联的其余可观测事件(即过程性可观测事件（5）,从而导致了信息的不完全挖掘利用,并且引起算法精确度的下降。当前已经有研究建议,结合二分类的过程性可观测变量,即中间变量(5,通过构建两阶段模型的方式提升预测精度。然而,此方法存在明显的局限性,当实际场景中存在多个中间变量,并且中间变量呈现为多种不同的数据类型时,该方法不再适用。据此,本文提出使用多任务学习框架的方式,对过程性可观测变量进行充分有效的利用。为验证方法论的有效性,首先进行仿真实验,分别构建自变量(3、过程性可观测变量(5(这里分别构建二分类变量(51,和连续型变量（52）、因变量(4(包括仅与(51相关的(41、仅与(52相关的(42、与(51、(52均相关的（43）。针对各种不同的中间变量类型,以及不同的变量间相关关系选择对应的模型框架,如传统模型、两阶段模型、多任务学习模型。过程中,为了保证结果鲁棒性,不断改变自变量(3的维度以及相关系数进行重复实验,验证多任务学习框架效果最佳。进一步的,根据lending club上2012-2017年违约样本数据展开实证研究。实验结果表明,本文提出的根据过程性可观测信息的多任务学习效果明显优于直接预测目标变量LGD的传统模型。同时,对比于两阶段模型来说,多任务学习不仅可以适用于中间变量为连续型变量的状况,还能解决存在多个不同类型中间变量的问题,进而带来更大的效果提升,模型性能更佳。本文提出的研究方法适用于不同的类型、不同数量的过程性可观测变量的情况。能够帮助我们在不同的信用风险预测问题中,选择构建适当的模型,对完善信用风险领域借款人的风险评估具备重大意义。