[发明专利]一种网络电商借贷风险评估方法及模型

说明书

技术领域

本发明涉及一种网络电商借贷风险评估方法及模型。

背景技术

互联网金融是一种全新的金融服务模式，它把传统的小额借贷服务转移到互联网平台上，需要借款的人群可以在网络借贷平台寻找有出借能力并且愿意基于一定条件出借的人群，由于网络借贷具有高效、操作简单、面向中低层收入人群(对于借款人来说)和安全、透明、收益高(对于出借人来说)的优点，因此网络借贷平台一经推出便迅速得到认可与发展^[1]。但是与传统的贷款方式相比，网络借贷也存在缺点,比如网络借贷是无抵押贷款，出借人大部分都是普通人群，没有专业的投资理财知识，而且有些借款者是出于行骗的目的进行贷款，这就给出借人带来了网络借贷风险，即借款人在规定的截止还款日期内，由于各种原因无法根据借贷协议按时偿还借款，而给出借人带来资金损失的可能性^[2]。

最近几年，很多学者针对网络电商借贷风险控制提出了许多新的信用风险评估模型。这些模型大体上可以分为两类：第一类是应用层次分析法^[5]、模糊综合评价法^[6]等统计学方法建立的信用指标评价体系，并指定每个指标的主观权重。第二类是使用线性的数据挖掘算法建立的风险评估模型，这些模型存在一些共性的问题：评估准确率低，究其原因是信用数据存在非线性结构。而可以处理非线性结构数据的二分类算法应用比较广泛的有：支持向量机^[7]和BP神经网络^[8]。但是网络电商贷款信用数据存在类不平衡的特点，例如拍拍贷平台正常还款记录大约是违约记录的10倍，对于这样的风险数据，支持向量机模型的第一类错误误判率较高，即把正常还款客户判定为违约客户。BP神经网络也存在同样的问题，而且BP神经网络模型只有训练集和预测集的误差相近时，模型才具有泛化能力。

因此，有必要设计一种准确率更高的网络电商借贷风险预测方法及模型。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提供一种种网络电商借贷风险评估方法及模型，预测准确率高。

本发明所提供的技术方案为：

一种网络电商借贷风险评估方法，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。

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：

s.t.-(K(B,C^T)w₁+e₂b₁)＝e₂-η₂

s.t.K(A,C^T)w₂+e₁b₂＝e₁-η₁