[发明专利]一种基于灰狼算法优化BP神经网络的信贷违约预测方法

说明书

本发明公开了一种基于灰狼算法优化BP神经网络的信贷违约预测方法，对训练样本数据集和测试样本数据集进行归一化处理，建立网络拓扑结构。随机初始化灰狼种群。构造信贷违约预测神经网络适应度函数，计算灰狼个体的适应度值，并按照适应度值的排序，判断是否满足条件满足预定的最大迭代次数；利用改进的灰狼算法获得的权值和阈值进行BP神经网络训练。进行信贷用户违约预测，对神经网络的输出进行反归一化处理，得出预测结果本发明通过灰狼的过程优化网络结构参数，充分利用GWO算法的全局搜索能力优化BP神经网络的初始权值和阈值，避免BP神经网络易陷入局部最小问题，有效提高BP神经网络信贷违约预测的精度和稳定性。

技术领域

本发明属于互联网金融风控技术领域，具体涉及一种基于灰狼算法优化BP神经网络的信贷违约预测方法。

背景技术

近年来，随着我国经济的不断发展，互联网金融也随之高速发展，而互联网金融公司的核心在于风险控制。借款人信贷违约预测模型成为成为了一种有效的风控手段，可以通过借贷人的一些个人信息或者数据来发现潜在的违约风险，从而提高借贷业务的安全水平，带来更高的经济效益。

智能算法是人们在对自然的探索中，受到自然界规律启发，按照其原理设计的算法，其中例如遗传算法、蚂蚁算法、粒子群算法等智能算法早已应用到了预测领域上，然而在信贷违约预测领域上，哪怕是模型的一点误差，都会导致公司损失巨大的利益，所以建立风控体系，以及信贷违约预测模型至关重要。本文针对灰狼算法收敛速度慢，易陷入局部最优解，精度不高的缺点，提出自适应灰狼算法。然后将优化后的灰狼算法和BP神经网络相结合，提出一种基于灰狼算法优化BP神经网络的信贷违约预测方法。该方法能够对借贷者的个人信息以及数据做出高精度的判断，能够为互联网金融公司贷款的发放提供依据。

发明内容

本发明要解决的技术问题是，提供一种基于灰狼算法优化BP神经网络的信贷违约预测方法，通过对借款人进行分析，做出贷后是否可能存在违约行为的预测，能够在互联网金融借贷领域内起到风险控制的作用。

本发明提供的技术方案如下：

一种基于灰狼算法优化BP神经网络的信贷违约预测方法，首先，利用信贷用户数据的特征，建立神经网络预测模型；进一步，利用改进灰狼算法优化(IGWO)BP神经网络的权值和阈值，进行信贷用户违约预测评估。具体过程包括如下几个步骤：

步骤a：信贷样本数据预处理，对训练样本数据集和测试样本数据集进行归一化处理，计算公式如下:

式中max为样本数据的最大值，min为样本数据的最小值,归一化后的x^*取值范围为[-1,1]。

步骤b：选择适用于信贷违约预测的BP神经网络的结构，建立n*m*1三层网络拓扑结构，确定n，m，1取值，其中，n为输入层节点数，m为隐含层节点数，1为输出层节点数。

步骤c：针对于信贷违约预测场景下对基本参数初始化，设置种群规模N，最大迭代次数T_max，随机生成a，A，C等参数，开始随机初始化灰狼种群。

步骤d：构造信贷违约预测神经网络适应度函数，计算灰狼个体的适应度值，并按照适应度值的排序，选择前三个最好的狼记录为α，β，δ，利用下列公式更新剩余灰狼的位置，并且更新a，A,C的值计算公式如下：

式中W₁，W₂，W₃分别表示_ω狼对α，β，δ狼的学习率，X₁，X₂，X₃分别表示α，β，δ狼的当前位置。