[發明專利]一種基于SVM-RFE的客戶風險特征篩選方法及其應用

有效

• 申請號: 202011015886.9
• 申請日: 2020-09-24
• 公開（公告）號: CN112182331B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 王國強;羅康洋;張怡;謝曉金;施興森;李金;姚兵;李夢穎
• 申請（專利權）人: 上海工程技術大學;上海金仕達軟件科技有限公司
• 主分類號: G06F16/951
• 分類號: G06F16/951;G06F16/2458;G06K9/62;G06Q40/04
• 代理公司: 上海唯智贏專利代理事務所(普通合伙) 31293
• 代理人: 劉朵朵

本發明公開了一種基于SVM?RFE的客戶風險特征篩選方法及其應用，方法包括：獲取包括多個客戶特征的客戶風險特征數據；針對客戶風險特征X_j，基于基尼系數、信息增益、信息增益比、互信息及SVM分類器最優分類結果的特征權重計算客戶風險特征X_j的重要度綜合度量指數；依次計算所有的客戶風險特征的重要度綜合度量指數后，按照以上指數從大到小依次排序，選取前k個特征構成客戶風險特征集。本發明的方法不僅考慮了所選特征子集與目標變量的相關性及特征子集自身的冗余性，克服利用單一指標篩選客戶風險特征的弊端，而且在特征篩選過程中引入了SVM分類器的訓練結果，使得所篩選客戶風險特征更加適合SVM分類器的特性，應用前景好。

技術領域

本發明屬于客戶風險等級(CRR)技術領域，涉及一種基于SVM(Support vectormachine，支持向量機)-RFE(Recursive feature elimination，遞歸特征消除)的客戶風險特征篩選方法及其應用。

背景技術

隨著互聯網技術的不斷發展，越來越多的金融機構、企業、商戶和普通用戶越來越習慣于利用互聯網金融來實現各種金融交易，例如銀行間轉賬、在線支付、網上投資理財、數字貨幣、網上購物等等。

但另一方面，互聯網金融也存在很多問題。首先，互聯網金融還沒有接入人民銀行征信系統，也不存在信用信息共享機制，不具備類似銀行的風控、合規和清收機制，因此，很容易發生各類風險問題，例如各種P2P平臺跑路、洗錢、金融詐騙等等問題。其次，對互聯網金融的監管薄弱，互聯網金融在中國處于起步階段，還沒有監管和法律約束，缺乏準入門檻和行業規范，整個行業面臨諸多政策和法律風險，例如洗錢、非法集資、詐騙、賭博等等傳統的金融犯罪活動已經開始將其違法活動轉移至互聯網，這給社會帶來更加巨大的危害和破壞力。

為避免以上風險，CN 110334737 A提出了一種基于隨機森林的客戶風險指標篩選方案，其在隨機森林中的決策樹的節點分裂時，使用CART算法通過計算基尼系數來選擇用于分裂的客戶特征，并且基于基尼系數來計算客戶特征的重要度；在隨機森林中的決策樹的節點分裂時，使用ID3算法通過計算信息增益來選擇用于分裂的客戶特征，并且基于信息增益來計算客戶特征的重要度；在隨機森林中的決策樹的節點分裂時，使用C4.5算法通過計算信息增益比來選擇用于分裂的客戶特征，并且基于信息增益比來計算所述客戶特征的重要度；將客戶特征在每個決策樹中的各個節點處的重要度累加起來以獲得客戶特征在各個決策樹中的重要度。最后，將客戶特征在各個決策樹的重要度累加并求平均以獲得客戶特征在整個隨機森林中的重要度。雖然其能夠對客戶風險指標進行篩選，但一方面其未考慮特征之間的冗余信息，另一方面其沒有借鑒學習器的訓練反饋結果，這可能會導致所篩選客戶風險特征集影響分類器的性能。

同時，為了利用定性和定量相結合方法對客戶風險等級進行評定以監測利用金融機構進行洗錢等違法犯罪活動，金融機構需要收集和提取客戶不同維度的風險特征數據。大數據背景下，機構可以收集和提取到的客戶風險特征數據越來越多，僅僅依靠專家經驗篩選客戶風險特征，時間成本大且無法量化眾多待定的客戶風險特征的重要性。

因而，開發一種能夠利用機器學習完成客戶風險特征自動篩選和量化識別的方法無疑具有重要的實際意義。

發明內容

本發明的目的在于克服現有技術未考慮特征之間的冗余信息且沒有借鑒學習器的訓練反饋結果的缺陷，提供一種能夠利用機器學習完成客戶風險特征自動篩選和量化識別的方法。

為實現上述目的，本發明提供如下技術方案：

一種基于SVM-RFE的客戶風險特征篩選方法，應用于電子設備，包括：

獲取包括多個客戶特征的客戶風險特征數據；