用函数型数据分析建模信用行为与违约概率：兼顾 XGBoost 预测力与线性模型可解释性

该论文提出用函数型数据分析建模违约概率，将账户类型、账户余额与信用额度三项量保留为连续时间过程，而非压缩为月度汇总值，从而连续刻画借款人信用行为。研究发现银行工作日序位相关的周期性事件形成强周期模式，并据此构建相对时间框架对齐不同借款人的周期。采用函数型逻辑回归评估显示，该模型预测表现与 XGBoost 相当并持续优于逻辑回归，兼顾机器学习预测力与线性违约模型的可解释性。