借貸數(shù)據(jù)規(guī)模大、維度復(fù)雜和極度不平衡等特性致使借貸預(yù)測的精度一直難以提升。為此,設(shè)計量化借貸期望損失值作為代價敏感項來優(yōu)化集成模型的借貸預(yù)測算法,實現(xiàn)消除比例失衡的訓(xùn)練樣本對預(yù)測模型的影響;提出基于代價敏感集成學(xué)習(xí)的借貸預(yù)測算法——ES-XGB和ES-LGB。其核心是改進了近年來表現(xiàn)優(yōu)異的集成算法XGBoost和LightGBM,將優(yōu)化后損失項加入模型的迭代學(xué)習(xí)過程中,以達到提升整體預(yù)測精度和提高違約類檢出的目的。使用Lending Club平臺提供的數(shù)據(jù)來做數(shù)值實驗,證明所提出的算法模型在借貸預(yù)測中表現(xiàn)最佳。 

【文章來源】：浙江工業(yè)大學(xué)學(xué)報. 2020,48(04)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

各年份不同狀態(tài)的借貸數(shù)量和比例

篩選出模型ES-LGB中貢獻率排名前20的特征值,繪制權(quán)重比圖,如圖2所示。特征所對應(yīng)的橫向直方圖越長代表在模型中分類貢獻性越強。特征項2和特征項18為本研究根據(jù)借貸場景創(chuàng)建的特征,其中特征項2“月收入與月還款額比率”排名第二,說明特征工程創(chuàng)建的特征項可以很好幫助劃分借貸人的類別。根據(jù)ES-LGB建模還可以學(xué)習(xí)到屬于“銀行賬戶信息”“信用記錄”的特征因素對借貸申請人的還款行為有較大影響,而屬于“個人信息”維度的特征項沒有進入重要特征的前20位,對模型分類能力影響較弱。

【參考文獻】：
期刊論文
[1]基于Expectile回歸的均值-ES組合投資決策[J]. 許啟發(fā),丁曉涵,蔣翠俠.  中國管理科學(xué). 2018(10)
[2]基于LightGBM算法的P2P項目信用評級模型的設(shè)計及應(yīng)用[J]. 馬曉君,沙靖嵐,牛雪琪.  數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究. 2018(05)
[3]結(jié)合背景差分與光流法的人群狀態(tài)突變檢測[J]. 高鵬輝,趙武峰,沈繼忠.  浙江大學(xué)學(xué)報(工學(xué)版). 2018(04)
[4]一種基于最小二乘估計的LTEMR電平信號定位方法[J]. 王衛(wèi)紅,琚波,楊潔,程宏兵.  浙江工業(yè)大學(xué)學(xué)報. 2015(05)
[5]基于AHP和GIS的海塘工程安全評價研究[J]. 劉俊萍.  浙江工業(yè)大學(xué)學(xué)報. 2014(04)

碩士論文
[1]基于數(shù)據(jù)挖掘的我國P2P網(wǎng)絡(luò)借貸違約預(yù)測模型研究[D]. 劉瑾雯.大連理工大學(xué) 2016



本文編號：3513212