2020国赛C题信贷决策复现：从论文到源代码的完整拆解

简介：这份资源面向参加全国大学生数学建模竞赛的选手、指导教师，以及对金融风控与数据分析感兴趣的学习者，聚焦2020年C题「中小微企业信贷决策」的完整解题方案。压缩包共160个文件，约248.35MB，以xlsx数据表、txt说明、jpg与png图表、m脚本、csv数据集及docx论文为主，另含pdf与嵌套rar，覆盖原始数据、代码与成稿论文三类材料。论文部分系统阐述信贷风险评估建模思路，涉及信息不对称、信用评估困难等背景，并给出缺失值处理、异常值检测、特征工程、交叉验证等完整流程；MATLAB源码则实现数据导入、模型构建、训练测试与结果可视化，便于读者对照复现线性回归、决策树、随机森林等方法的细节。图表数据可直观呈现预测值与实际值对比、特征重要性等分析结果。目前已有663人学习，适合需要完整赛题方案、代码实现与论文写作参考的读者。

1. 从2020年国赛C题看中小微企业信贷决策：一份论文加源代码能复现出什么

2020年全国大学生数学建模竞赛C题，题目背景是银行对中小微企业放贷，要求结合企业信贷数据做风险评估与信贷策略设计。这道题在数学建模圈子里被反复讨论，原因很直接：它不像纯优化题那样有唯一解，也不像纯统计题那样只跑一个模型就完事，而是要把数据清洗、特征工程、风险评分、决策优化串成一条完整链路。很多队伍当年卡在第二问的信贷策略上，不是模型不会写，而是没想清楚“给谁贷、贷多少、利率怎么定”这三个变量之间的耦合关系。如果你手上有这道题的论文和源代码，想真正吃透它，或者想拿它当模板迁移到2025数学建模国赛C题、华为杯数学建模这类赛题上，那这篇笔记就是按一线复现的节奏来拆的。我会把论文里常见的建模路径、源代码里容易翻车的地方、以及怎么把这套东西改成自己能用的版本，一层层讲清楚。适合已经跑过Python基础建模、想从“能出图”进阶到“能落地”的参赛者和数据分析从业者。

2. 信贷决策题的建模骨架：从数据到策略的四层结构

2.1 数据层：附件1到附件3到底该怎么读

2020年C题给了三个附件，常见做法是：附件1是123家有信贷记录企业的进项发票和销项发票信息，附件2是302家无信贷记录企业的发票信息，附件3是各企业的信誉评级和是否违约标签。很多人一上来就把附件1和附件2合并，然后直接丢进模型，结果发现特征维度爆炸且大量缺失。我一般会先做三件事：

第一，按企业代码聚合发票数据，把每张发票的金额、税额、价税合计分别求和，得到每个企业的总进项、总销项、总税额。第二，计算衍生指标，比如进销比、税额占比、月度波动率。第三，把附件3的标签对齐到企业代码上，作为监督学习的y值。

import pandas as pd import numpy as np # 读取附件1的进项发票和销项发票 input_invoice = pd.read_excel('附件1.xlsx', sheet_name='进项发票信息') output_invoice = pd.read_excel('附件1.xlsx', sheet_name='销项发票信息') credit_info = pd.read_excel('附件3.xlsx') # 按企业代码聚合进项 input_agg = input_invoice.groupby('企业代号').agg( 进项总金额=('金额', 'sum'), 进项总税额=('税额', 'sum'), 进项发票数=('发票号码', 'count') ).reset_index() # 按企业代码聚合销项 output_agg = output_invoice.groupby('企业代号').agg( 销项总金额=('金额', 'sum'), 销项总税额=('税额', 'sum'), 销项发票数=('发票号码', 'count') ).reset_index() # 合并进销项 firm_features = pd.merge(input_agg, output_agg, on='企业代号', how='outer').fillna(0) # 衍生指标 firm_features['进销比'] = firm_features['进项总金额'] / (firm_features['销项总金额'] + 1) firm_features['税额占比'] = (firm_features['进项总税额'] + firm_features['销项总税额']) / (firm_features['进项总金额'] + firm_features['销项总金额'] + 1) # 对齐标签 firm_features = pd.merge(firm_features, credit_info[['企业代号', '信誉评级', '是否违约']], on='企业代号', how='left')

这段代码的关键参数是聚合方式。进项和销项必须分开聚合再合并，不能先concat再groupby，否则发票类型会混淆。fillna(0)是因为有些企业只有进项没有销项，或者反过来，缺失值填0比填均值更合理，因为“没有发生”本身就是信息。进销比分母加1是防止除零，这是血泪经验，当年有队伍没加，跑出来一堆inf直接导致模型崩掉。

2.2 特征层：哪些指标真正影响违约标签

论文里常见的特征工程会堆几十个指标，但真正对违约预测有区分度的往往就那几个。我一般会先用IV值（信息价值）筛一遍，再用随机森林看特征重要性。2020年C题的数据量不大，123家有标签的企业，特征太多必然过拟合。

这里有个容易翻车的地方：信誉评级是离散的A/B/C/D，直接做one-hot会引入多重共线性，我一般会按违约率排序后做有序编码。另外，附件2的302家企业没有标签，不能直接拿来训练，但可以用训练好的模型做预测，这就是第二问信贷策略的输入。

2.3 模型层：为什么我最终选了XGBoost而不是逻辑回归

逻辑回归可解释性强，论文里写起来好看，但2020年C题的数据非线性明显，逻辑回归的AUC很难超过0.75。XGBoost在这类表格数据上通常能到0.85以上，而且能直接输出特征重要性，论文里也能解释。代价是调参麻烦，但用网格搜索加交叉验证可以解决。

from xgboost import XGBClassifier from sklearn.model_selection import GridSearchCV, StratifiedKFold from sklearn.metrics import roc_auc_score from sklearn.preprocessing import LabelEncoder # 准备特征和标签 feature_cols = ['进项总金额', '销项总金额', '进销比', '税额占比', '进项发票数', '销项发票数'] X = firm_features[feature_cols].values y = LabelEncoder().fit_transform(firm_features['是否违约'].fillna('否')) # 网格搜索 param_grid = { 'n_estimators': [100, 200, 300], 'max_depth': [3, 4, 5], 'learning_rate': [0.01, 0.05, 0.1], 'subsample': [0.7, 0.8, 1.0] } cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) grid = GridSearchCV(XGBClassifier(use_label_encoder=False, eval_metric='logloss'), param_grid, cv=cv, scoring='roc_auc') grid.fit(X, y) print('最佳参数:', grid.best_params_) print('最佳AUC:', grid.best_score_)

参数说明：max_depth控制在3到5之间是因为样本量小，树太深必过拟合；learning_rate用0.05是精度和速度的折中；subsample小于1能增加模型鲁棒性。StratifiedKFold保证每折里违约和非违约比例一致，否则小样本下AUC波动会很大。跑完这一步，你会得到一个AUC在0.85左右的模型，接下来才能进入信贷策略优化。

2.4 策略层：信贷额度与利率的联合优化怎么建

第二问的核心是：对每个企业，决定贷不贷、贷多少、利率多少，使得银行收益最大同时风险可控。常见做法是建一个带约束的优化模型，目标函数是期望收益，约束包括总信贷额度、单户额度上限、风险敞口等。

from scipy.optimize import minimize # 假设有n家企业，预测违约概率为p_i，贷款利率为r_i，贷款额为L_i # 银行期望收益 = sum((1-p_i) * r_i * L_i - p_i * L_i * 损失率) # 约束：sum(L_i) <= 总信贷额度，L_i <= 单户上限 n = len(firm_features) p = grid.best_estimator_.predict_proba(X)[:, 1] # 违约概率 loss_rate = 0.6 # 违约时的本金损失率 def objective(L): return -np.sum((1 - p) * 0.05 * L - p * L * loss_rate) # 假设利率5% constraints = [ {'type': 'ineq', 'fun': lambda L: 10000000 - np.sum(L)}, # 总信贷额度1000万 ] bounds = [(0, 1000000) for _ in range(n)] # 单户上限100万 result = minimize(objective, x0=np.ones(n) * 100000, bounds=bounds, constraints=constraints) print('最优信贷分配:', result.x)

这段代码的逻辑是：目标函数里利率固定为5%，实际论文里利率也是决策变量，需要和L一起优化，但那样会变成非凸问题，求解难度大。我一般会先固定利率档位（比如4%、5%、6%），对每个档位求最优L，再比较总收益。loss_rate取0.6是经验值，表示违约后能收回40%的本金。约束里的总信贷额度1000万是题目给的，单户上限100万是常见风控要求。跑出来的结果就是每个企业该贷多少，再结合违约概率决定利率档位。

3. 源代码复现时最容易翻车的五个地方

3.1 发票数据的时间字段解析错误

现象：按月份聚合销项金额时，发现有些月份数据为空，或者月份数量对不上。原因：附件里的开票日期格式不统一，有的是“2020/1/1”，有的是“2020-01-01”，还有的是Excel日期序列号。直接pd.to_datetime会有一部分解析失败变成NaT。解决：先用pd.to_datetime(..., errors='coerce')，然后检查NaT数量，如果超过5%，说明格式问题严重，需要手动写解析函数。

def parse_date(x): if pd.isna(x): return pd.NaT if isinstance(x, (int, float)): return pd.Timestamp('1899-12-30') + pd.Timedelta(days=x) for fmt in ['%Y/%m/%d', '%Y-%m-%d', '%Y.%m.%d']: try: return pd.to_datetime(x, format=fmt) except: continue return pd.NaT input_invoice['开票日期'] = input_invoice['开票日期'].apply(parse_date)

3.2 信誉评级和违约标签的对应关系搞反

现象：模型训练出来AUC只有0.5，等于随机猜。原因：附件3里“是否违约”列，有的版本是“是/否”，有的版本是“1/0”，还有的版本是“违约/未违约”。如果LabelEncoder把“否”编码成1，“是”编码成0，那模型就完全学反了。解决：先打印credit_info['是否违约'].value_counts()，确认标签分布，再手动映射。

print(credit_info['是否违约'].value_counts()) # 确认后手动映射 label_map = {'否': 0, '是': 1, '未违约': 0, '违约': 1} credit_info['违约标签'] = credit_info['是否违约'].map(label_map)

3.3 进项和销项合并时企业代码对不齐

现象：合并后的特征表里，有些企业只有进项没有销项，或者反过来，导致进销比计算出来是inf或0。原因：附件1的进项和销项是两张表，企业代码的格式可能不一致，比如一个有空格一个没有。解决：合并前先做str.strip()，再用how='outer'合并，缺失值填0。

3.4 优化模型求解时初始值选得太随意

现象：minimize跑出来的结果全是0，或者全是上限。原因：初始值x0如果离最优解太远，SLSQP算法可能陷入局部最优或者直接不收敛。解决：用违约概率的倒数作为初始值的权重，违约概率低的企业多贷，违约概率高的少贷。

x0 = (1 - p) / np.sum(1 - p) * 10000000 # 按信用好坏分配初始额度 x0 = np.clip(x0, 0, 1000000) # 限制在bounds内

3.5 论文里的结果和代码跑出来的对不上

现象：论文里写AUC=0.87，你跑出来只有0.82。原因：随机种子没固定，或者特征工程步骤有细微差异。解决：固定所有random_state，包括train_test_split、XGBoost、交叉验证。另外，检查论文里是否用了附件2的数据做半监督学习，如果用了，你只用附件1训练，结果肯定有差距。

4. 把2020年C题的方法迁移到新赛题：三个可复用的模块

4.1 风险评分卡模块：从XGBoost到标准评分卡

XGBoost输出的是概率，但银行实际用的是评分卡，分数越高信用越好。转换公式是：score = 600 + 50 * log(odds)，其中odds = (1-p)/p。这个模块可以直接复用到任何二分类信用风险场景。

def prob_to_score(p, base=600, pdo=50): odds = (1 - p) / (p + 1e-6) score = base + pdo * np.log(odds) / np.log(2) return np.clip(score, 300, 900) firm_features['信用评分'] = prob_to_score(p)

参数说明：base=600是基准分，pdo=50表示odds每翻一倍分数增加50分。这是行业惯例，迁移到新赛题时可以根据数据分布调整base。

4.2 信贷策略优化模块：从单目标到多目标

2020年C题只要求收益最大，但实际业务里还要考虑风险分散、行业集中度等。可以把目标函数改成加权形式：max(收益 - λ * 风险)，λ是风险厌恶系数。这个模块可以复用到2025数学建模国赛C题这类涉及决策优化的题目。

4.3 论文写作模块：图表和公式的标准化

源代码跑出来的图，直接贴到论文里往往不够清晰。我一般会用matplotlib统一风格：字体用SimHei，字号12，分辨率300dpi，图例放右上角。公式用LaTeX写，变量用斜体，下标用正体。这些细节在评阅时很加分。

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['figure.dpi'] = 300 plt.rcParams['savefig.dpi'] = 300

5. 从跑通到跑好：一个验证模型是否过拟合的笨办法

最后一章说一个我自己的习惯：每次跑完模型，不要只看AUC，要把训练集和验证集的AUC都打印出来，如果差距超过0.1，基本就是过拟合了。2020年C题数据量小，过拟合是常态。我的做法是，先用全部数据跑一遍看特征重要性，然后只保留前5个特征重新训练，如果AUC没怎么降，说明之前的特征堆多了。另外，我会把违约概率分成10档，看每档的实际违约率是否单调，如果不单调，说明模型排序能力有问题，需要检查特征工程。

from sklearn.metrics import roc_auc_score from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y) model = XGBClassifier(n_estimators=200, max_depth=4, learning_rate=0.05, subsample=0.8, random_state=42) model.fit(X_train, y_train) train_auc = roc_auc_score(y_train, model.predict_proba(X_train)[:, 1]) test_auc = roc_auc_score(y_test, model.predict_proba(X_test)[:, 1]) print(f'训练集AUC: {train_auc:.4f}, 测试集AUC: {test_auc:.4f}, 差距: {train_auc - test_auc:.4f}')

如果差距大于0.1，我会做三件事：减少max_depth、增加subsample比例、或者用早停。早停的用法是model.fit(X_train, y_train, eval_set=[(X_test, y_test)], early_stopping_rounds=20)，这样模型会在验证集AUC不再提升时自动停止。这个笨办法帮我省了很多调参时间，也避免了很多论文里“训练集AUC 0.99，测试集0.7”的尴尬。

最后说一个习惯：我每次复现完一道赛题，都会把代码里的硬编码参数抽出来做成配置文件，比如config.yaml，这样下次遇到类似赛题，改几个参数就能跑。2020年C题的代码我后来迁移到华为杯数学建模的信用风险题上，只改了数据读取路径和特征列名，模型部分几乎没动。希望这个思路帮到你。

本文还有配套的精品资源，点击获取