一種基于支持向量機(jī)的p2p網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型的制作方法
【專利摘要】本發(fā)明公開了一種基于支持向量機(jī)的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型，包括：（1）數(shù)據(jù)預(yù)處理；（2）建立模型；（3）根據(jù)模型給出的結(jié)果做出風(fēng)險(xiǎn)評(píng)估。通過上述方式，本發(fā)明基于支持向量機(jī)的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型具有減少人為因素的影響、客觀科學(xué)、預(yù)測(cè)效果更好、準(zhǔn)確率更高、減少無關(guān)屬性、大大減少數(shù)據(jù)處理量、使預(yù)測(cè)所需的學(xué)習(xí)時(shí)間更短、對(duì)樣本數(shù)據(jù)量要求不高等優(yōu)點(diǎn)，在基于支持向量機(jī)的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型的普及上有著廣泛的市場(chǎng)前景。
【專利說明】-種基于支持向量機(jī)的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及網(wǎng)絡(luò)貸款評(píng)估模型領(lǐng)域，特別是涉及一種基于支持向量機(jī)的P2P網(wǎng)絡(luò) 貸款風(fēng)險(xiǎn)評(píng)估模型。

【背景技術(shù)】
[0002] P2P (Peer-to-Peer)網(wǎng)絡(luò)借貸是指?jìng)€(gè)人與個(gè)人之間的小額無擔(dān)保借貸，不以銀行 等金融機(jī)構(gòu)為中介，直接通過互聯(lián)網(wǎng)絡(luò)平臺(tái)確立借貸關(guān)系并完成相關(guān)交易手續(xù)，實(shí)現(xiàn)了"金 融脫媒"，具有貸款門檻低、覆蓋面廣、信息流通快、交易手續(xù)便捷、涉及金額小、借款期限較 短等特點(diǎn)，具有非常大的發(fā)展?jié)摿Α?br> [0003] 而P2P網(wǎng)絡(luò)貸款存在一定的風(fēng)險(xiǎn)，如何保證所貸出去的款都是能夠收回的(貸款 人有能力償還的)，也就是"風(fēng)險(xiǎn)控制"顯得十分重要。那么根據(jù)以上貸款人提供的基本信 息，由客觀科學(xué)的模型方法評(píng)估這次貸款的風(fēng)險(xiǎn)等級(jí)，從而給出有價(jià)值的決策參考信息則 顯得異常重要。
[0004] 但因網(wǎng)絡(luò)的虛擬性、信息的不對(duì)稱、平臺(tái)的風(fēng)險(xiǎn)控制措施不健全等問題，增加了借 款者違約的可能性，導(dǎo)致P2P網(wǎng)絡(luò)借貸市場(chǎng)的借款違約率偏高，貸款風(fēng)險(xiǎn)難以控制。
[0005] 目前國(guó)內(nèi)對(duì)信用風(fēng)險(xiǎn)評(píng)估的研究大多采取定性的方式，很少能對(duì)其進(jìn)行定量分析 與研究。本模型正是根據(jù)P2P網(wǎng)絡(luò)貸款數(shù)據(jù)高緯度、非線性以及小樣本等特點(diǎn)針對(duì)性的選 取支持向量機(jī)算法，定量評(píng)估其貸款風(fēng)險(xiǎn)。
[0006] 假設(shè)一個(gè)網(wǎng)絡(luò)申貸人提供的申貸基本信息如下表格所示： 表1申貸人基本信息表

【權(quán)利要求】
1. 一種基于支持向量機(jī)的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型，其特征在于，包括以下步驟： (1) 數(shù)據(jù)預(yù)處理：從數(shù)據(jù)庫(kù)中獲取往年P(guān)2P貸款記錄，進(jìn)行數(shù)據(jù)預(yù)處理，主要采用主成 分分析技術(shù)，即給出每條屬性對(duì)最終結(jié)果的影響程度，選取貢獻(xiàn)程度之和大于一定比重的 前幾列屬性作為主屬性； (2) 建立模型：在往年P(guān)2P貸款記錄的主屬性的基礎(chǔ)上建立模型， (a) 特征空間映射：為了加強(qiáng)線性可分性，將原來的輸入空間映射到一個(gè)高維點(diǎn)積空 間，即特征空間， 如果非線性矢量函數(shù)g(x) = [gl(x)，…，gl(x)]將m維輸入矢量X映射到1維特征空 間，則特征空間的線性決策函數(shù)為： D(x) =Wrg(x)+h (1) 根據(jù)Hilaert-Schmiat定理，如果一個(gè)對(duì)稱函數(shù)H(x，X，）滿足 H(x,X') = >O (2) ?.j-iJ 式⑵中，M為自然數(shù)，hphj為實(shí)數(shù)， 則存在一個(gè)映射函數(shù)g(x)，能夠?qū)映射到點(diǎn)積特征空間，該映射函數(shù)滿足H(k,r) =gr(x)g(x')(3) 如果式（2)成立，則
式（2)或式（4)稱作Mercer條件，滿足上述兩個(gè)式子中的任意一個(gè)的函數(shù)稱為半正定 核函數(shù)或Mercer核函數(shù)； (b) 利用試探法得到最優(yōu)參數(shù)： 設(shè)定C初始值、參考點(diǎn)、變化方向、步長(zhǎng)，訓(xùn)練第一個(gè)和第二個(gè)SVM，i=2， 計(jì)算第i次的ASVR， 判斷與上次相比變化值是否超出門限， (b. 1)如果結(jié)果為"是"，則判斷SVR與參考點(diǎn)相比是否下降， (b. 1. 1)如果結(jié)果為"否"，則判斷參考點(diǎn)的步長(zhǎng)是否增加過， (b. 1. 1. 1)如果結(jié)果為"是"，則判斷參考點(diǎn)的步長(zhǎng)是否減小過， (b. 1. 1. 1. 1)如果結(jié)果為"是"，則根據(jù)步長(zhǎng)的范圍作出相應(yīng)修改：如果當(dāng)前步長(zhǎng)大于 1，減小步長(zhǎng)；如果小于1，增加步長(zhǎng)，求出下一個(gè)C的值， (b.I. 1. 1.2)如果結(jié)果為"否"，則減小步長(zhǎng)，記當(dāng)前參考點(diǎn)步長(zhǎng)減小過，求出下一個(gè)C的值， (b.I. 1. 2)如果結(jié)果為"否"，則增加步長(zhǎng)，記當(dāng)前參考點(diǎn)步長(zhǎng)增加過，并更新參考點(diǎn)為 當(dāng)前值，求出下一個(gè)C的值， (b. 1. 2)如果結(jié)果為"是"，則步長(zhǎng)不變，變化方向不變，并更新參考點(diǎn)為當(dāng)前值，求出 下一個(gè)C的值， (b. 2)如果結(jié)果為"否"，則C、步長(zhǎng)、變化方向不變，并更新參考點(diǎn)為當(dāng)前值， 令i+Ι賦值給i，并返回計(jì)算第i次的ASVR，最終獲得最優(yōu)參數(shù)； (C)基于核函數(shù)的支持向量機(jī)分類：利用核函數(shù)的優(yōu)點(diǎn)在于不再需要直接處理高維特 征空間， 采用核函數(shù)H(X，X'）代替g(x)，則原來的優(yōu)化問題轉(zhuǎn)化為： M
約束條件為：23?成=0 , 、η. 1μ， 〇>￡%>0, 1=1,…M 由于Η(χ，χ'）是一個(gè)半正定核函數(shù)，因此，式（5)中優(yōu)化問題是一個(gè)二次凸規(guī)劃問題， 具有全局最優(yōu)解， 根據(jù)KKT互補(bǔ)條件，可以求得此時(shí)分類決策函數(shù)為= + 5(6) SS S 其中偏置項(xiàng)a由下式?jīng)Q定(取非邊界支持向量平均值）
未知數(shù)據(jù)X分類結(jié)果為： 類IgA(X)M) 類 2 若A(X)〈0 若A(x)=0,則X不可分， 將步驟（b)中獲得的最優(yōu)參數(shù)帶入上述模型獲得結(jié)果； (3)根據(jù)模型給出的結(jié)果做出風(fēng)險(xiǎn)評(píng)估。
2.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)評(píng)估模型，其特征在于， 步驟（1)中的所述一定比重的數(shù)值為90%。
【文檔編號(hào)】G06Q40/02GK104463673SQ201410801984
【公開日】2015年3月25日 申請(qǐng)日期:2014年12月22日 優(yōu)先權(quán)日:2014年12月22日
【發(fā)明者】黃劉生, 戚名鈺, 陸瀟榕, 楊威, 劉相言, 孫嘉堃, 汪琦 申請(qǐng)人:中國(guó)科學(xué)技術(shù)大學(xué)蘇州研究院