[发明专利]一种网络电商借贷风险评估方法及模型

权利要求书

1.一种网络电商借贷风险评估方法，其特征在于，包括以下步骤：

步骤1、收集历史借贷客户的数据作为样本集；每个借贷客户的数据包括n维评价指标数据和违约标签target，target＝1表示贷款违约，target＝0表示正常还款；

步骤2、对样本集中的数据进行预处理；所述预处理包括缺失值处理、非数字型评价指标数据量化和数据标准化；

步骤3、根据违约标签target的值把样本集中的样本分为两类，第一类为target＝0的正常还款客户，由其对应的评价指标数据构建矩阵第二类为target＝1的贷款违约客户，由其对应的评价指标数据构建矩阵其中m1和m2分别为两类样本中的样本数量，为n维向量，表示第k类中第i个样本的评价指标；

步骤4、基于两类样本，构建最小二乘孪生支持向量机分类模型，并对其进行训练，建立网络电商借贷风险评估模型；

步骤5、根据4建立的网络电商借贷风险评估模型，预测样本集中各个样本的违约标签target；

步骤6、对于每个样本，根据5预测得到的违约标签target和步骤1收集的实际的违约标签target确定样本的预测误差，并根据预测误差的大小确定每个样本权重的大小；样本权重的确定原则是：预测误差较大的样本权值较小，预测误差较小的样本权值较大；

步骤7、基于每个样本权重，构建加权最小二乘孪生支持向量机分类模型，重新建立网络电商借贷风险评估模型；

步骤8、采集新的借贷客户的n维评价指标数据，预处理后代入步骤7确定的网络电商借贷风险评估模型，接到借款人对应的违约标签target，预测该借贷客户是否会贷款违约，以对本次借贷风险进行评估。

2.根据权利要求1所述的网络电商借贷风险评估方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4.1、构建最小二乘孪生支持向量机分类模型：

$\underset{w_1,b_1}{min}\frac{1}{2}\left|\right|K(A,C^T)w_1+e_1{b}_1|{|}^2+\frac{1}{2}{C}_1{\mathrm{\η}}_2^T{\mathrm{\η}}_2$

s.t.-(K(B,C^T)w₁+e₂b₁)＝e₂-η₂

$\underset{w_2,b_2}{min}\frac{1}{2}\left|\right|K(B,C^T)w_2+e_2{b}_2|{|}^2+\frac{1}{2}{C}_2{\mathrm{\η}}_1^T{\mathrm{\η}}_1$

s.t.K(A,C^T)w₂+e₁b₂＝e₁-η₁

其中，C₁和C₂为惩罚参数,根据十折交叉验证选择最优的取值；η₁和η₂为损失变量；e₁和e₂为元素全为1的列向量；C＝[A^T,B^T]^T,K(X,C^T)为高斯核函数，X＝A或B；w₁和w₂为权向量，b₁和b₂表示分类阈值；w₁、w₂、b₁和b₂为待求参数；

步骤4.2、通过以下公式求取w₁、w₂、b₁和b₂：

$\left[\begin{array}{c}{w}_1\\ b_1\end{array}\right]=-{(V^{T}V+\frac{1}{C_1}{U}^{T}U)}^{-1}{V}^T{e}_2$

$\left[\begin{array}{c}{w}_2\\ b_2\end{array}\right]={(U^{T}U+\frac{1}{C_2}{V}^{T}V)}^{-1}{U}^T{e}_1$

其中，U＝[K(A,C^T),e₁]，V＝[K(B,C^T),e₂]；

步骤4.3、根据已确定的参数建立以下网络电商借贷风险模型：

$t\arg et\left(x\right)=\left\{\begin{array}{ccc}0& if& |K(x^T,C^T)w_1+b_1|\<|K(x^T,C^T)w_2+b_2|\\ 1& if& |K(x^T,C^T)w_1+b_1|\>|K(x^T,C^T)w_2+b_2|\end{array}\right.;$

其中，x表示预处理后的新的接待客户的n维评价指标数据，target(x)＝0表示预测该新的借贷客户会正常还款，target(x)＝1表示预测该新的借贷客户会贷款违约。