多治疗 DML：具有单调性约束的多维连续治疗因果估计在个人贷款风险优化中的应用.pdfVIP

多治疗DML：具有单调性约束的多维连续治疗因果估计在个人贷款风险优化中

的应用

1111

KexinZhao,BoWang,CuiyingZhao,TongyaoWan

1DidiChuxing

zhaokexinlexi@,{edenwang,zhaocuiying,wangtongyao}@

Abstract在这个领域中的一个主要混淆因素是借款人的信

用worthiness：平台系统地根据未观察到或部分观察到

优化信用额度、利率和贷款条款对于管理个人贷款平台

的借款人风险和生命周期价值（LTV）至关重要。然而，的申请人特征分配治疗——包括信用限额、利率、条

对这些连续多维处理措施进行反事实估计面临着重大挑款，从而在观测数据中诱导选择偏差。未观察到的信用

战：随机试验往往因风险管理及较长的还款周期而受到worthiness因素与治疗分配之间的系统性相关性产生了

本限制，迫使人们依赖存在偏差的观察数据。现有的因果内生性，这混淆了对真实因果效应的估计，从而使观测

译方法主要处理二元/离散处理措施，在面对连续多维设置到的治疗效果膨胀，并导致虚假的因果结论。这种选择

时显得力不从心。此外，金融领域的专业知识要求处理机制需要开发强大的方法来分离金融干预措施的因果

中结果关系必须是单调递增的（例如，信用额度增加会导影响，摆脱借款人特征的混淆影响。

2致风险上升）。为了解决这些空白，我们提出了Multi-处理观察数据中混杂因素的核心方法旨在平衡治

vTreatment-DML，一个利用双重机器学习（DML）的新

3疗组之间的特征分布：逆概率加权（IPW）(Rosenbaum

8框架：（i）纠正观察数据以进行因果效应估计；（ii）处理andRubin1983)重新加权样本以实现平衡，而双重机

1任意维度的连续性治疗措施；以及（iii）在处理措施和结

2果之间实施单调约束，确保符合领域要求。在公共基准器学习（DML）(Chernozhukovetal.2017)则采用残

0.测试和实际工业数据集上的广泛实验表明了我们方法的差化使处理和结果变量相对于混杂因素正交。表示学习

8有效性。此外，在一个真实的个人贷款平台上进行的在方法（例如，DeR-CFR(Wuetal.2020)）在潜在空间

0线A/B测试证实了Multi-Treatment-DML在现实世界中寻求平衡的表示。然而，仍然存在显著差距：

5

2贷款操作中的实际优势。•治疗复杂性：大多数方法针对的是二元或离散处理。

:

vVCNet处理连续性处理，但假设是RCT设置，限制

i1介绍了其在观察性金融数据中的适用性。

x

r

a个体层面因果推断（ICI）专注于通过量化不同治•多维性：多维连续处理方法仍不成熟。

疗方案下的潜在结果来估计单位层面上的因果效应，从•域约束：金融风险建模需要严格遵守领域特定的单

而实现个体治疗效果（ITE(Yaoetal.2021)）的估算。调性约束（例如，更高的信用限额必须与更高的风