面向金融机构的信用风险控制的方法研究

发布时间：2023-02-11 10:52

　　随着信用风险损失日益增长,建立一套科学、有效的信用风险控制方案对金融机构来说尤为重要。为提高工作效率,机器学习模型被安排在许多繁琐的业务流程当中,但每一次不正确的预测都可能带来严重的后果。当前基于机器学习的信用风险控制方案普遍存在解释性较差、判别指标不完善等问题。针对这些问题,本文主要利用多源数据信息完成信用风险控制模型和信用风险评分卡构建等方面的内容。论文主要工作如下:为满足信贷业务监管部门对最终上线模型可解释性的要求,本文采用主流的逻辑回归来建立信用风险控制模型。但是,它作为广义线性模型,预测效果不佳。因此本文首先提出了一种基于EasyEnsemble欠采样方法改进的算法FenbuEasyEnsemble(FEE),主要通过去除噪声样本、子集划分、集合填充等步骤来平衡数据集。然后在此基础上,构建了一个基于平衡数据集和组合特征的多阶段混合模型XGBOOST_FenbuEasyEnsemble_Logistic Regression(XGB_FEE_LR),让逻辑回归解释性好的巨大优势尽可能地得到发挥,同时...

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文的主要工作
    1.4 论文的章节安排
第二章 相关理论基础和关键技术介绍
    2.1 信用风险的基本概念与特点
    2.2 采样方式的实现原理
    2.3 基本分类器的实现原理
    2.4 信用风险控制模型的评价指标
    2.5 基于图模型的节点影响分析
    2.6 本章小结
第三章 基于多源信息融合的信用风险控制方案设计
    3.1 问题的提出
    3.2 基于多源信息融合的信用风险控制方案的算法框架
    3.3 数据集基本信息
    3.4 本章小结
第四章 信用风险控制模型的构建
    4.1 数据准备
        4.1.1 探索性数据分析
        4.1.2 缺失值和异常值的处理
    4.2 平衡数据集
        4.2.1 基于EasyEnsemble改进的欠采样算法FEE的数据集平衡
        4.2.2 仿真实验及结果分析
    4.3 特征选择
        4.3.1 基于XGBOOST模型的特征组合
        4.3.2 仿真实验及结果分析
    4.4 基于平衡数据集和组合特征的逻辑回归模型
        4.4.1 模型的整体框架
        4.4.2 模型的评价指标
        4.4.3 仿真实验及结果分析
    4.5 本章小结
第五章 信用风险评分卡的构建
    5.1 经典信用风险评分卡构建原理
        5.1.1 基于WOE的特征分箱
        5.1.2 基于IV值的特征筛选
        5.1.3 基于逻辑回归模型的信用风险评分卡构建
    5.2 基于人物金融关系的信用风险评分卡构建框架
        5.2.1 多源信息融合
        5.2.2 基于金融关系图谱双向传播的影响力评估算法FRG_ADRank
        5.2.3 信用风险评分修正
    5.3 仿真实验及结果分析
        5.3.1 人物金融关系图谱构建
        5.3.2 PageRank和 FRG_ADRank算法的节点影响力评估对比实验
        5.3.3 经典评分卡和基于人物金融关系的评分卡结果对比
    5.4 本章小结
第六章 总结与展望
    6.1 研究工作总结
    6.2 研究工作展望
致谢
参考文献



本文编号：3740246