论文部分内容阅读
随着经济的飞速发展,消费金融行业蒸蒸日上,金融市场也因此面临着信用风险的考验。建立健全有效的个人信用评估系统是各大金融机构亟待解决的问题。信用评分模型作为一种有效的信用风险评估工具,利用客户的基本信息和信用数据预测其发生违约或逾期的概率,为金融机构审批信贷业务提供决策支持。本文针对现有信用评分模型的不足,提出了融合深度学习网络的集成模型,并结合深度学习优化算法构建信用评分集成模型,实现了对信贷客户的信用风险评估。本文的研究内容如下:(1)提出了一种融合深度学习网络的信用评分集成模型。首先将循环神经网络(Recurrent Neural Network,RNN)及其扩展形式双向循环神经网络(Bidirectional Recurrent Neural Network,BRNN)引入信用评分领域,避免了浅层模型的局限性。然后将BRNN、逻辑回归(Logistic Regression,LR)和极限梯度提升树(Extreme Gradient Boosting Tree,XGBoost)进行集成,构建融合深度学习网络的信用评分集成模型BRNN+LR+XGBoost。最后通过实验证明了深度学习算法在信用评分领域的适用性,并验证了集成学习的重要性和有效性。(2)研究和分析了多种深度学习优化算法。本文总结了多种深度学习优化算法的计算流程及其优缺点,并对常用的自适应矩估计(Adaptive Moment Estimation,Adam)算法进行改进,构建出具有动态学习速率边界的自适应矩估计(Adaptive Moment Estimation With Dynamic Bound,Ada Bound)算法。通过实验证明了Ada Bound算法既可以保持快速的收敛速度,又具有良好的泛化能力,满足了训练过程中不同阶段的优化需求。(3)提出了一种结合Ada Bound优化算法的信用评分集成模型。将深度学习优化算法Ada Bound应用到集成模型BRNN+LR+XGBoost中,在三个真实的信用数据集上进行实验,预测出客户发生违约或逾期的概率,实现了对信贷客户的信用风险评估。实验结果表明,结合Ada Bound优化算法的集成模型BRNN+LR+XGBoost性能优越,能够精准地对客户进行信用分类。通过三个信用数据集的实验,相较于现有的几种信用评分集成模型,本文所提模型的AUC平均提高了3.1%,准确率平均提高了2.3%,F-score平均提高了2.2%。综上所述,本文提出了一种结合具有动态学习速率边界优化算法的信用评分集成模型,该模型能够精确地对信贷客户进行信用分类,为金融机构进行信用评估和风险管理提供了理论依据和实践参考。