论文部分内容阅读
近年来,居民收入不断提高,消费意识逐渐增强,银行的贷款业务量提升,这对银行的风控能力提出了更高的要求。目前,银行客户的行内交易流水信息激增,数据管理工作的难度增大,银行内部对贷后客户的评估方式仍较为传统,评估方式准确率低,业务周期长,银行需要效率和准确率更高的贷后评估模型。本文设计并实现了基于长短期记忆神经网络和卷积神经网络融合的LSTM-CNN模型,能够更准确的预测客户贷款逾期的可能性,及时进行贷后预警。本文的数据来源于国内某农村商业银行的内部数据,本文选取了适用于贷款逾期预测的评估指标,并对数据进行有效的平衡化处理和特征选择,将每个客户的行为数据编码成包含时间维度和行为维度的矩阵。本文建立了评分卡预测模型和贷款逾期预测模型。评分卡预测模型采用神经网络预测评分卡分数,减少了人为的干预。贷款逾期预测模型采用LSTM-CNN模型进行逾期预测,提高了逾期预测结果的准确率。本文设计并实现的贷款逾期预测系统主要包含了三个功能模块,分别是评分卡模块、贷款逾期预测模块和Web服务模块,其中评分卡模块是基础模块,负责数据的处理和评分卡分数的预测。贷款逾期预测模块是核心功能模块,实现系统的核心预测功能。Web服务模块是可视化模块,实现客户画像标签的可视化展示和客户数据的管理与分析,完成系统应用层和业务层之间的交互。本文在真实的贷后数据上进行了贷款逾期预测实验,实验结果表明,LSTM-CNN模型优于单一的LSTM模型和CNN模型,LSTM-CNN模型的AUC值为0.85,KS值为0.62,准确率为0.86,准确率达到了85%的要求,同时LSTM-CNN模型的命中率为0.76,相比于CNN模型的0.66和LSTM模型的0.56,有较大提升。