基于堆栈降噪自编码网络的个人信用风险评估方法

发布时间：2023-11-28 18:55

　　个人信用历来是银行衡量个人履约风险最重要的因素。近年来,随着我国借贷需求与日俱增,仅依据信用卡信息的传统个人信用评估方式,已不能完全满足银行业的发展需求。因此,为了构建更加丰富的用户信用画像,文中基于银行大数据提取信用风险评估特征。为了解决金融大数据带来的维度灾难和噪声问题,充分考虑了数据特征之间的相关性,对堆栈降噪自编码神经网络模型进行了改进,引入了截断的Karhunen-Loève展开作为噪声传入项,并在某商业银行的大数据平台上进行了一系列数据实验。实验结果显示:相比仅使用信用卡信息,利用银行大数据能使衡量正负样本分离度的指标——K-S值提升约11%;改进的堆栈降噪自编码神经网络方法具有更好的风险评估效果,准确率相比原模型提高了3%左右,验证了在银行大数据环境下进行信用风险评估的有效性。

【文章页数】：7 页

【文章目录】：
1 引言
2 算法模型
    2.1 风险评估特征的选择
    2.2 模型和算法
        (1)数据预处理。
        (2)模型训练。
            1)构造第一层网络
            2)构造第2层至第N层网络
            3)反向调优
3 实验与分析
    3.1 案例概述
    3.2 数据预处理
        3.2.1 数据不平衡处理
        3.2.2 异常值处理
        3.2.3 特征提取
    3.3 实验结果与分析
        3.3.1 特征重要性检验
        3.3.2 单调性分析
        3.3.3 K-S检验
        3.3.4 网络层数分析
        3.3.5 模型对比



本文编号：3868742