近年来,随着金融业务的不断拓展,信贷市场规模逐渐扩大,线上线下齐头发展,信用评估在金融机构的风险管理中日趋重要,提升信用评估的精度是金融机构在风险控制环节中的核心,在风险防范方面具有重要作用。由于大数据、信用决策等科学技术在信用评估领域中的引入,被评估人的信用信息包含更全面的特征指标,也可能从多个不同来源收集申请人的各种历史信息以对其信用状况进行综合评价。然而,在此情景下,信用评估数据集普遍出现某些被评估人信用数据的多种相同特征同时发生缺失——块状缺失问题,其缺失比例大,缺失特征多,这阻碍信用评估模型的构建与应用,尤其是针对中小企业或者个人的信用评估。传统地,一般会在模型训练之前删除缺失样本或对缺失值进行填补以获得一个完整的数据集,但对于块状缺失问题会导致大量有用信息的丢失或对分析产生偏差影响。针对以上弊端,本文提出了一种基于多任务学习的信用评估模型构建方法。该方法主要包括两个步骤:识别缺失模式,并以此将数据集划分为若干不重叠的子集;将Logistic回归嵌入多任务学习方法,对所有子集进行联合特征学习,最终得到多个最优子模型用于预测。同时,考虑到用于预测的新样本可能存在缺失数据、且其缺失模式可能与训练集样本的缺失模式不同的问题,基于集成学习中的融合思想,根据新样本与子模型缺失模式的样本相似度和各最优子模型的预测准确率,对最优子模型进行加权聚合,以得到新样本的最佳预测结果。本文方法的优势在于不需要对块状缺失进行数据预处理,模型学习可以充分利用给定数据,也避免了数据删除或数填补方法带来的信息丢失或数据分布偏差,并可以降低过度拟合风险,同时还可以解决信用评预测样本存在缺失数据的问题。方法方便简洁、适用范围广。在实验过程中,采用来自UCI的三个信用数据集对提出的方法以及其拓展的性能进行检验,并将该方法与常用的缺失数据处理方法进行了比较。结果表明,本研究提出的方法比数据删除法和数据填补法能产生更好的信用评估模型。