JF-可预见的不平等机器学习对信贷市场的影响-43页_1mb

论文主题: 研究机器学习技术（ML）在信贷市场评估中的采纳，及其对不同种族借款人违约概率和贷款条件的分布性影响。

主要发现:

• ML模型（随机森林）显着提高了抵押贷款违约预测的准确性，相比传统对数几率模型（Logit）。
• 采用ML后，白人及亚裔借款人违约概率下降幅度较大，获益更多；而黑人及白人西班牙裔借款人违约概率上升，且利率差异扩大，损失更多。
• ML模型不仅利用可观察变量，还能有效推测隐藏特征（如种族），加剧了历史数据中的群体差异。
• ML技术的影响主要源于其更强的“灵活性”，而非单纯的“三角化”机制；灵活性使模型能捕捉到非线性关系，导致预测更分散。

影响机制:

• 灵活性：ML模型能更好捕捉变量间的非线性关系和复杂交互，导致预测值变得更分散，某些群体被评估为风险更高或更低。
• 三角化：ML模型能间接识别被禁止使用的隐藏特征（如种族），这可能放大某些群体的风险。

结论和政策启示:

• ML技术提高了预测精度，但也可能加剧了种族间的信贷不平等。
• 政策需考虑如何在技术进步与公平性之间取得平衡，现有禁止使用种族变量的监管未能有效防范ML技术的间接歧视。
• 分析表明，防止歧视需从评估借款人特征的整体映射入手，而不仅仅是禁止特定变量。