基于XGBoost算法的银行信贷风险预测系统设计与实现

作     者：潘丞垚 

作者单位：中南财经政法大学 

学位级别：硕士

导师姓名：李胜

授予年度：2020年

学科分类：02[经济学] 0202[经济学-应用经济学] 020204[经济学-金融学（含∶保险学）] 08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 081202[工学-计算机软件与理论] 

主      题：银行 信贷风险预测 XGBoost 

摘      要：银行作为对国家经济和金融进行宏观调控和货币政策调控的主要枢纽,为了保障其健康稳定的发展,能否对贷款的风险进行有效的预测是至关重要的。银行需要从贷款方的大量相关数据中获取所需内容,并通过这些数据对信贷风险进行高效、准确的预测。目前,传统的信贷预测方式由于主观性较强、人力消耗较大、能够处理的数据量较少等原因已经不能完全的满足银行需求。与此同时,机器学习作为一个新兴的技术已经被运用在了不同领域,它能够在大量的数据间找到相应的规律,帮助人们达到某项目的,并因为其准确性、高效性、可学习性等优点备受青睐。相比于传统的人工信贷风险预测,基于机器学习的银行风险预测系统不仅大大减少了信贷风险预测所需的人力,更能处理更多的数据,以更客观、准确的方式对银行的信贷风险进行预测,十分符合当今银行对信贷风险预测的应用需求,具有很大应用价值。而使用合适的机器学习算法,尽可能的提高预测模型的准确度,也是研究工作中十分重要的一环。本文的研究目的是构建一个基于XGBoost算法的银行信贷风险预测系统。本文的主要研究内容包括以下几个方面。首先本文在学习和借鉴国内外银行信贷风险评估方法,全面梳理信贷风险预测的基本理论和核心思想,在对当今银行对信贷风险预测的应用需求以及传统信贷风险预测方法进行分析的基础上,基于大数据时代的特点,提出机器学习是提升银行信贷风险预测精度和效率的有力工具。银行信贷风险预测系统的核心是算法模块,本文通过对当今的机器学习算法进行比较分析,与银行信贷风险预测的实际需求相结合,对算法的选择进行了创新,提出了使用XGBoost来进行银行信贷风险的预测,并设计了适用于实际风险评估的模型结构和参数,提高了银行风险预测的精度和效率。在模型训练之后更与其他相关算法相比较,证明了XGBoost更适合做银行信贷风险预测。本文构建了一个完整的银行信贷风险预测系统,该系统可以分成三个模块,管理员信息管理模块、员工信息管理模块和信贷信息管理模块。管理员信息管理模块可以管理所有普通员工的信息,员工信息管理模块可以管理员工个人的基本信息,借贷信息管理模块则为银行工作人员提供信贷方信息录入、编辑和保存的接口,并根据工作人员录入的信息对信贷的风险进行预测,打印出一个准确的预测结果。辅助银行人员对信贷业务进行决策。