[發明專利]一種基于隨機森林算法的消費信貸場景的風險評估方法

在審

• 申請號: 202010784787.0
• 申請日: 2020-08-06
• 公開（公告）號: CN112037009A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 江遠強;韓璐;李蘭
• 申請（專利權）人: 百維金科（上海）信息科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q30/02;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于隨機森林算法的消費信貸場景的風險評估方法，包括信息采集模塊、數據預處理模塊、特征工程模塊、模型訓練及調參模塊、特征重要性評估模塊、模型評價與選擇模塊和模型部署監控模塊。有益效果：數據預處理簡單、特征工程和模型訓練效率高、模型準確率高，將隨機森林模型結合互聯網金融的消費信貸場景，隨機森林根據自身的算法優越性，能更好處理互聯網數據的高維稀疏、噪聲多和變量冗余的問題，隨機森林模型相比其他傳統評分卡模型具有更高的風險預測準確率以及穩定性，提升了對信用風險的識別，對互聯網金融的消費信貸的實際應用具有一定的參考價值。

技術領域

本發明涉及互聯網金融消費信貸行業的風控技術領域，具體來說，涉及一種基于隨機森林算法的消費信貸場景的風險評估方法。

背景技術

隨著互聯網+概念的興起，以P2P借貸、消費金融、汽車租賃等為代表的互聯網金融消費信貸公司如雨后春筍般，但在野蠻生長之后，公司的發展速度和命門都集中在風控上面。傳統的風控審核是基于機器學習算法的評分卡模型，包括邏輯回歸、決策樹、支持向量機和神經網絡等，這幾類算法解釋性強，且簡單易于理解，能夠直接看到各個特征的權重，也能容易地吸收新的數據來更新模型，所以在GBDT、隨機森林、lightGBM等集成算法陸續出現的時候，傳統評分卡模型仍然是消費信貸行業風險評估的常用方法。

隨著大數據的發展，互聯網信貸數據不在局限于申請及征信數據，而更多結合網購消費、網絡社交、APP使用行為等第三方數據，整個數據呈現出高維稀疏的特點，傳統評分卡模型對于該類互聯網數據局限性也比較明顯，具體問題及難點有以下幾個方面：

數據預處理繁瑣：傳統評分卡模型對于數據預處理要求極高，針對大量存在數據稀疏或缺失值的樣本，為了便于計算，直接進行了刪除，數據價值的損失較大；

特征工程困難：傳統評分卡模型特征工程復雜，需要對連續型數據離散化處理及特征篩選，對特征根據證據權重(WOE)轉換、根據信息價值(IV)大小作特征選擇，還需根據變量之間的共線性剔除變量，對于當前大數據風控的高維數據來說，遠超出傳統風控建模評分卡體系的數據處理能力范圍，亟需更前沿的機器學習算法處理；

模型準確率不足：傳統評分卡模型的算法屬于弱分類器，相比基于多個弱分類器組合的集成算法模型，傳統評分卡的單模型缺少模型間的探索與驗證，可能存在模型穩定性不足及泛化能力較弱的問題。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出一種基于隨機森林算法的消費信貸場景的風險評估方法，以克服現有相關技術所存在的上述技術問題。

為此，本發明采用的具體技術方案如下：

一種基于隨機森林算法的消費信貸場景的風險評估方法，包括信息采集模塊、數據預處理模塊、特征工程模塊、模型訓練及調參模塊、特征重要性評估模塊、模型評價與選擇模塊和模型部署監控模塊，所述信息采集模塊通過所述數據預處理模塊與所述特征工程模塊連接，所述特征工程模塊通過所述模型訓練及調參模塊與所述特征重要性評估模塊連接，所述特征重要性評估模塊通過所述模型評價與選擇模塊與所述模型部署監控模塊連接。

進一步的，所述基于隨機森林算法的消費信貸場景的風險評估方法，包括以下步驟：

建模數據獲取：從公司業務系統中按申請月份隨機抽取建模樣本客戶，對于表現不充分(近期申請，壞賬率明顯低于前期客戶)的不平衡樣本通過SMOTE(syntheticminority oversampling technique：合成少數過采樣技術)獲得建模客戶，用建模客戶的編號作為主鍵去關聯提取建模客戶的申請數據、征信數據、APP操作埋點數據及客戶授權的第三方數據合并成建模數據集；