彭昌

一、背景介绍

企业非法集资具有严重社会危害性。一是参与者容易遭受经济损失。犯罪分子通过高回报利诱等方式聚揽资金后，任意挥霍、转移或者非法占有，参与者难以收回资金。二是非法集资严重扰乱正常经济金融秩序，容易引发金融风险。三是非法集资容易引起社会不稳定和社会治安问题，甚至引发局部地区的社会动荡。如何基于大量企业信息构建预测模型，并判断企业是否存在非法集资风险，对于监管机构、公司合作伙伴和投资者具有一定价值。

二、研究思路

根据大量企业信息，利用随机森林和LightGBMi两种机器学习算法分别构建企业非法集资风险预测模型，并对其模型性能指标F1-score值进行对比。

三、实验过程

（一）數据预处理

本文实验中用到的企业信息数据集源于某竞赛数据集，包含24865家企业数据，其中14865家企业数据带有是否非法集资标注，可作为训练集;剩余10000家企业数据不带是否非法集资标注，可作为测试集。数据由企业基本信息、企业年报、企业纳税情况、企业变更信息、企业新闻舆情信息和企业其他信息等组成，数据包括数值型、字符型、日期型等众多数据类型，部分字段内容有缺失，其中第一列id为企业唯一标识，label为目标变量。

对获取的数据进行数据预处理，包括数据分析、变量筛选、填充缺失值、特征编码、可解释性特征提取等操作。

1、变量筛选

根据缺失值占比、Ⅳ值（Information Value，即信息价值）和高相关性进行变量筛选，变量缺失值大于0.5被删除，变量Ⅳ值小于0.02被删除（Ⅳ值是用来衡量变量预测能力的，Ⅳ值越大，表示该变量的预测能力越强，一般会舍弃lV值小于0.02的变量），两个变量相关性高于0.7时，Ⅳ值低的变量被删除。……