张 涛,范 博

(北京工业大学 信息学部,北京 100124)

随着全球金融市场的飞速发展,小微贷款成为金融机构的一项重要业务.随着贷款空间的极速膨胀,传统金融机构贷款业务范围正不断受到冲击,使得互联网金融高速发展.因此,需要有效地控制风险手段维持行业健康发展.大量坏账的出现将会产生类似次贷危机的事件,对我国经济发展造成影响[1].随着数据挖掘技术的逐渐发展,其在金融领域的应用也更加完善.机器学习技术为贷款风险预测提供了一个统一、多方面且完整的标准,进而提高贷款分析的效率与质量.

对于贷款风险预测,国内外已有较为丰富的研究.传统方法主要根据相应财务指标、个人征信数据、借款意图等多方面结合,根据专家意见形成模型.国内外对于信用评估已有丰富的研究,主要根据一些财务指标计算结合专家意见形成模型.Fernandes 等人通过验证提出了基于Logistic 回归的信用评估模型,成为了用户信用评估的主流方法之一[2].随后在国内金融环境里,梁琪分析国内沪深上市公司失败原因,指出主成分判别模型在风险监测和信用评估上带来很高的应用价值[3].然而传统回归模型准确率偏低,难以达到预测效果.而今,结合机器学习技术建模已成趋势.基于随机森林的组合分类算法[4]被证明在贷款风险预测算法上有着更高的精度和稳定性.郭春桃[5]通过比较6 种中小企业信用风险预测的方法,证明集成机器学……