機器學習 (Machine Learning) 在信用風險評分中的應用

銀行最核心的業務是什麼？不是存錢，而是放貸（Lending）。而放貸最大的風險就是——借錢的人不還錢（Default）。

在過去，銀行依賴 FICO 或香港的 TU（環聯）信貸報告來評分。這些傳統模型使用的是簡單的統計學（如 Logistic Regression），主要看你有沒有遲還信用卡的記錄。但這種方法有一個巨大的盲點：對於沒有信用卡的大學生或剛畢業的年輕人（Unbanked），傳統銀行會直接拒絕，因為他們是「無信貸記錄者」。

這就是 機器學習 (Machine Learning) 大顯身手的地方。

1. 另類數據 (Alternative Data)：你的行為出賣了你 新型的 FinTech 銀行（如香港的 ZA Bank 或 Mox）不再只看 TU。他們利用 Python 爬蟲和 API 收集你的「另類數據」：

消費習慣： 你是每個月準時交水電費，還是經常拖欠？

手機數據： 研究發現，經常在深夜（凌晨 2 點）給手機充電的人，違約風險較高（生活不規律）。

社交網絡： 你的 Facebook 好友裡如果有很多人違約，你違約的概率也會上升（近朱者赤）。

2. 決策樹與隨機森林 (Random Forest) 傳統模型是線性的（Linear），但人的行為是非線性的。 Quant 使用 XGBoost 或 Random Forest 這種強大的機器學習模型。它們像一個巨大的「決策樹」森林，通過幾千個問題來將人分類：

問題 1： 他用 iPhone 還是 Android？（iPhone 用戶還款能力通常稍高）

問題 2： 他在淘寶買的是書還是遊戲？

問題 3： 他填寫申請表時，是一氣呵成還是頻繁修改？（頻繁修改可能在造假） 通過綜合幾千個變量的結果，AI 能給出一個比人類信貸員精準得多的違約概率預測（PD - Probability of Default）。

3. 黑箱模型 (Black Box) 的挑戰 雖然 AI 很準，但它有一個致命缺點：缺乏解釋性 (Explainability)。 當 AI 拒絕一個客戶的貸款申請時，客戶問：「為什麼？」銀行不能說：「因為算法說不行。」這違反了監管規定（公平借貸法）。 因此，現在的 Quant 需要掌握 SHAP 值 等技術，去「解釋」模型。例如：「你的評分低，主要原因是你過去三個月更換了兩次電話號碼，且深夜消費頻率過高。」

在 2026 年，最厲害的風控專家不是那些只會看財報的人，而是那些懂得用 Python 訓練模型，從海量數據中捕捉人性弱點的數據科學家。