趙川 鞠紅梅 王美玲

關(guān)鍵詞：大數(shù)據(jù)；風(fēng)險預(yù)測；機(jī)器學(xué)習(xí)；信貸違約；投票算法

0 引言

為了響應(yīng)國家穩(wěn)經(jīng)濟(jì)的政策，金融機(jī)構(gòu)對資金困難的企業(yè)和個人進(jìn)行信貸支持，幫助供企業(yè)打通供應(yīng)鏈資金需求，鼓勵個人進(jìn)行創(chuàng)業(yè)創(chuàng)新、開展副業(yè)、互聯(lián)網(wǎng)辦公等多種靈活就業(yè)方式，共渡難關(guān)，起到穩(wěn)定市場經(jīng)濟(jì)作用。面對如此龐大的資金需求，金融機(jī)構(gòu)需要依托機(jī)器學(xué)習(xí)模型，輔助進(jìn)行風(fēng)險評估和風(fēng)險預(yù)測。

1 文獻(xiàn)回顧

隨著計(jì)算機(jī)技術(shù)在金融領(lǐng)域的應(yīng)用，許多學(xué)者加入信貸風(fēng)險的研究，其中Linwei Hu等人在相關(guān)文獻(xiàn)中分析了監(jiān)督學(xué)習(xí)算法在銀行中的應(yīng)用場景[1]；XiaojunMa等人使用多觀測數(shù)據(jù)清洗的LightGBM算法，表明該算法在預(yù)測違約方面具有較高的準(zhǔn)確性[2]；馬?；ㄡ槍π缘卦趥€人信用風(fēng)險評估中，使用隨機(jī)森林和XG?Boost模型進(jìn)行對比分析，指出XGBoost模型更加適合處理大量高緯度的噪音和非線性信用風(fēng)險的數(shù)據(jù)[3]；陳紅在文獻(xiàn)中構(gòu)建邏輯回歸模型、樸素貝葉斯、支持向量機(jī)、決策樹、組合模型進(jìn)行綜合對比，同時對違約客戶進(jìn)行客戶畫像分析，給出合理化建議和應(yīng)用方向[4]。

國內(nèi)外學(xué)者對于信貸風(fēng)險預(yù)測的相關(guān)問題進(jìn)行了大量的可行性分析與研究，不同學(xué)者選取的研究數(shù)據(jù)、評價指標(biāo)和模型有所不同，最終得出不同的研究結(jié)果，這些研究具有重要的參考和借鑒意義。本文將結(jié)合銀行數(shù)據(jù)集，以機(jī)器學(xué)習(xí)算法中XGBoost、Light?GBM模型、邏輯回歸模型和隨機(jī)森林模型為基礎(chǔ)，結(jié)合Voting投票算法，進(jìn)行個貸違約預(yù)測方面的研究。

2 算法及方案簡介

2.1 算法簡介與預(yù)備知識

1） 邏輯回歸

邏輯回歸是在線性回歸的基礎(chǔ)上進(jìn)行改進(jìn)的，增加了sigmoid激活函數(shù)[5]。線性回歸模型為輸入，f （x）為預(yù)測值，W T 為截線，b 為真實(shí)值和預(yù)測值的差值，具體公式為：

邏輯回歸把預(yù)測值映射到0-1區(qū)間。當(dāng)預(yù)測值y > 0.5時，判斷為正例，y < 0.5時，判斷為反例，以此進(jìn)行分類。

2） 隨機(jī)森林

隨機(jī)森林的特點(diǎn)在于隨機(jī)性和集成學(xué)習(xí)，通過隨機(jī)采取樣本，隨機(jī)挑選特征，形成多棵決策樹，每棵決策樹都有自己判斷權(quán)力，隨機(jī)森林收集每一棵樹投票結(jié)果，以少數(shù)服從多數(shù)的原理，進(jìn)行最終分類判斷[6]。

3） XGBoost

XGBoost的預(yù)測模型通過設(shè)定損失函數(shù)，并根據(jù)參數(shù)進(jìn)行一階、二階導(dǎo)數(shù)計(jì)算，以提高泛化能力[7]。令k 表示全部樹的數(shù)量，t 表示預(yù)測輪數(shù)，fk 是第k 顆預(yù)測結(jié)果，ft （xi ）為第t 輪改善參數(shù)，Y ti 表示基于xi 樣本第t輪預(yù)測結(jié)果，預(yù)測公式為

4） LightGBM

LightGBM由微軟研究院研究開發(fā)，基于不犧牲速度的情況下，盡可能使用更多的數(shù)據(jù)運(yùn)算，具有準(zhǔn)確率高、區(qū)分能力強(qiáng)的特點(diǎn)[8]?；谥狈綀D（Histogram）算法、基于梯度的單邊采樣算法（GOSS）和互斥特征捆綁算法（EFB），這3個算法的引入下，降低了葉子生成的復(fù)雜度，從而節(jié)約了大量的運(yùn)行計(jì)算時間和存儲空間。

5） Voting投票算法

Voting投票算法是集成算法中的一種，該算法又分為硬投票（Hard Voting） 和軟投票（Soft Voting） 兩種使用方式。其中硬投票是基于少數(shù)服從多數(shù)的原則，將不同分類器的結(jié)果分別進(jìn)行統(tǒng)計(jì)，看最終哪個投票多來確定分類結(jié)果；而軟投票可以為不同分類器設(shè)置不同權(quán)重，由于每個分類器都有獨(dú)立估算分類的概率，軟投票法將所有概率再進(jìn)行平均，最后平均概率最大的作為分類結(jié)果。

6） 淆矩陣（confusion matrix）

假如收到一些樣本，倘若該樣本集中只存在兩種類別，即正例和反例。而當(dāng)預(yù)測值為正例時，本文將其記為positive（P），而當(dāng)預(yù)測值為反例的時候，本文將其記為negative（N）。此時如果預(yù)測值與真實(shí)值相同的時候，本文記為true（T），而當(dāng)預(yù)測值和真實(shí)值相反不一樣的時候，則記為false（F）。從而有了以下的混淆矩陣（confusion matrix），如表1所示。

7） ROC曲線

ROC曲線以假正例率（FPR）為X軸，以真正例率（TPR）為Y軸，進(jìn)行圖形的繪制。由于ROC曲線能夠反映出分類效果，但從表現(xiàn)程度上還是不夠直觀，對此，通過AUC來直觀地凸顯出分類能力，即該指標(biāo)實(shí)際為ROC曲線下的面積。

2.2 方案流程

本文研究的方案流程主要包括7個步驟：數(shù)據(jù)導(dǎo)入、數(shù)據(jù)預(yù)處理、模型訓(xùn)練、擇優(yōu)選擇、集成、對比評估、總結(jié)，如圖1所示。

3 數(shù)據(jù)處理及模型訓(xùn)練

3.1 數(shù)據(jù)描述

本文采用天池公開銀行貸款數(shù)據(jù)集，該數(shù)據(jù)總量有47類指標(biāo)信息，80萬條用戶數(shù)據(jù)。47類指標(biāo)信息具體描述如表2所示。

3.2 數(shù)據(jù)處理

數(shù)據(jù)處理是模型訓(xùn)練的前提，圍繞關(guān)鍵指標(biāo)進(jìn)行數(shù)據(jù)處理，通過對數(shù)據(jù)缺失值占比、數(shù)據(jù)異常值篩查進(jìn)行多次降維，缺失部分采取為向上填充法的方式進(jìn)行空值填充，特殊字符進(jìn)行數(shù)字化處理。表3 為Grade指標(biāo)數(shù)字化處理前后對比。

3.3 繪制相關(guān)性熱力矩陣圖

經(jīng)過數(shù)據(jù)處理，最終將數(shù)據(jù)集降維至23項(xiàng)指標(biāo)，并制作成相關(guān)性矩陣熱力圖，觀察各個指標(biāo)與關(guān)鍵指標(biāo)之間的相關(guān)性。呈現(xiàn)如圖2所示。

由相關(guān)性熱力矩陣圖可以看出，與isDefault關(guān)鍵性指標(biāo)相關(guān)度較高的為loanAmnt、term、interestRate、installment、grade和dti，而其他指標(biāo)起到相關(guān)性較小，用于提供輔助性作用。

3.4 模型訓(xùn)練及評分結(jié)果

數(shù)據(jù)集采取8：2的分配比例，即訓(xùn)練集為640000 條，測試集160000條，進(jìn)行數(shù)據(jù)集的拆分，分別帶入到模型中訓(xùn)練和測試，并記錄邏輯回歸、隨機(jī)森林、XG?Boost、LightGBM這四種單一模型的AUC評分。單一模型評分結(jié)果如表4所示。

3.5 模型集成及對比結(jié)果

本文選擇AUC評分較高的模型，即邏輯回歸模型、LightGBM模型和隨機(jī)森林模型，使用Voting硬投票算法進(jìn)行模型融合，發(fā)現(xiàn)Voting模型融合后的AUC 評分有較大提升。對比數(shù)據(jù)如表5所示。

4 總結(jié)

通過對數(shù)據(jù)集的清洗篩選，選出部分相關(guān)聯(lián)的特征值進(jìn)行多種模型的訓(xùn)練，以數(shù)學(xué)原理闡述了不同模型的處理方式，本文測試中以最優(yōu)的模型進(jìn)行Voting 投票算法的融合，其結(jié)果表明十分優(yōu)異，能夠起到提升預(yù)測準(zhǔn)確度的作用，具體得出以下結(jié)論。

1） 在進(jìn)行數(shù)據(jù)集處理時，將數(shù)據(jù)字符類型進(jìn)行定量數(shù)值化，能夠更好地形成圖像，進(jìn)行指標(biāo)的選擇，比如在等級劃分時，采用數(shù)值的形式，進(jìn)行數(shù)據(jù)集優(yōu)化。

2） 不同模型在處理同一數(shù)據(jù)集的處理效果差異性很大，如在XGBoost模型處理與隨機(jī)森林模型在處理同一數(shù)據(jù)集時，AUC評分差距很大。

3） 作為Voting投票融合算法，將三種有效的單一模型進(jìn)行融合，能夠有效提升AUC評分，證明融合算法相較于單一的模型，能夠發(fā)揮融合算法的強(qiáng)化性，提高準(zhǔn)確度。