個(gè)人信用歷來(lái)是銀行衡量個(gè)人履約風(fēng)險(xiǎn)最重要的因素。近年來(lái),隨著我國(guó)借貸需求與日俱增,僅依據(jù)信用卡信息的傳統(tǒng)個(gè)人信用評(píng)估方式,已不能完全滿足銀行業(yè)的發(fā)展需求。因此,為了構(gòu)建更加豐富的用戶信用畫像,文中基于銀行大數(shù)據(jù)提取信用風(fēng)險(xiǎn)評(píng)估特征。為了解決金融大數(shù)據(jù)帶來(lái)的維度災(zāi)難和噪聲問題,充分考慮了數(shù)據(jù)特征之間的相關(guān)性,對(duì)堆棧降噪自編碼神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn),引入了截?cái)嗟腒arhunen-Loève展開作為噪聲傳入項(xiàng),并在某商業(yè)銀行的大數(shù)據(jù)平臺(tái)上進(jìn)行了一系列數(shù)據(jù)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示:相比僅使用信用卡信息,利用銀行大數(shù)據(jù)能使衡量正負(fù)樣本分離度的指標(biāo)——K-S值提升約11%;改進(jìn)的堆棧降噪自編碼神經(jīng)網(wǎng)絡(luò)方法具有更好的風(fēng)險(xiǎn)評(píng)估效果,準(zhǔn)確率相比原模型提高了3%左右,驗(yàn)證了在銀行大數(shù)據(jù)環(huán)境下進(jìn)行信用風(fēng)險(xiǎn)評(píng)估的有效性。

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 引言
2 算法模型
    2.1 風(fēng)險(xiǎn)評(píng)估特征的選擇
    2.2 模型和算法
        (1)數(shù)據(jù)預(yù)處理。
        (2)模型訓(xùn)練。
            1)構(gòu)造第一層網(wǎng)絡(luò)
            2)構(gòu)造第2層至第N層網(wǎng)絡(luò)
            3)反向調(diào)優(yōu)
3 實(shí)驗(yàn)與分析
    3.1 案例概述
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)不平衡處理
        3.2.2 異常值處理
        3.2.3 特征提取
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 特征重要性檢驗(yàn)
        3.3.2 單調(diào)性分析
        3.3.3 K-S檢驗(yàn)
        3.3.4 網(wǎng)絡(luò)層數(shù)分析
        3.3.5 模型對(duì)比



本文編號(hào)：3868742