[发明专利]基于逐步最优特征选择的自动化模型调优算法

说明书

本发明公开了一种基于逐步最优特征选择的自动化模型调优算法，该算法包括建立初版评分模型、设置限制条件、逐步最优特征选择算法、筛选得出最优模型KS值、判断模型KS差值变量组合是否达标、将未达标的KS差值变量组合重新筛选和建立最终评分卡模型七大步骤；该算法可以自动产生最优的评分卡模型，最大程度挖掘了特征变量对于目标变量的预测能力，消除了建模人员主观意识的干扰性，减少时间成本的浪费，最终生成的评分卡模型兼顾了模型预测效果的有效性和模型应用效果的稳定性。将该算法嵌入到传统评分卡模型的建立当中，可以明显提高金融行业传统的信贷模型质量，提高审批的正确率，拒绝更多的欺诈逾期申请。

技术领域

本发明属于互联网金融风控技术领域，具体涉及基于逐步最优特征选择的自动化模型调优算法。

背景技术

信用评分模型是根据银行或互联网金融客户的各种历史信用资料，得到不同等级的信用分数，根据客户的信用分数，授信机构可以通过分析客户贷后还款的可能性来决定是否给予授信以及授信的额度和利率。

传统上银行或金融机构采取人工审批的方式，根据审批人员的个人经验进行主观的审批判断，使得审批决策很容易受主观因素的影响，导致审批结果不一致，不能够量化风险级别，无法实现风险的分级管理，而且会使得审批过程成本高、效率低。因此，这一状况就决定了客观准确的评分卡模型的建立需求。评分卡模型运用现代的数理统计模型技术，通过对申请人信用历史记录和业务活动记录的深入挖掘，提炼出信息可以预测申请者欺诈信用逾期的概率大小。

评分卡模型是最重要、最常用的信用评分模型，建立初版评分卡模型之后的模型调优过程是极其重要的步骤。模型调优过程一方面可以进一步提升模型效果，另一方面可以保证模型实际应用过程中的稳定性。传统上有些建模工程师会直接使用初版模型进行实际业务应用，还有些建模工程师会进行模型调优但是会有很多主观因素的干预，并不能很好的实现模型的最佳效果及应用的稳定性。

金融信贷行业在建立初版评分卡模型之后，大多数建模工程师会进行模型的调优过程，进一步优化模型的效果及稳定性。传统上模型调优的过程是依靠建模人员自身的经验，在初版模型的基础上，手动进行一些变量的增减选择，不同经验的建模人员最终建立的模型会有一定的差别。

传统建模工程师使用较多的评分卡模型调优方法是根据自身建模及业务经验手动调整入模特征变量，调整入模变量的过程完全依靠建模人员主观经验的判断，不同的人员会得到不同的模型结果，此方法存在如下缺陷：

1.传统的模型调优方法没有达到模型的最优效果，不能在效果较优的情况下保持模型的稳定性，容易忽略一些有意义的特征变量，不能挑选出所有变量中组合最佳的变量进入模型，造成信息的损失；

2.传统的模型调优方法比较主观，不具有统一适用性，不同的建模工程师做出的效果好坏不稳定；

3.传统的模型调优方法工作耗时较长，必须依靠建模工程师交互性操作，无法实现评分卡模型的自动化建立。

发明内容

本发明的目的在于提供基于逐步最优特征选择的自动化模型调优算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于逐步最优特征选择的自动化模型调优算法，包括如下步骤：

S1、对建模数据样本建立初版评分卡模型，得到初版模型的入模特征变量组合，以及剩余未入模的所有特征变量；

S2、设置逐步最优特征选择算法的基本限制条件，使得逐步选择的特征变量满足入模要求，包括显著性水平P-Value，特征变量系数coefficient以及信息值IV(information value)；