基于机器学习的贷款风控模型的研究

作     者：张贤君 

作者单位：苏州大学 

学位级别：硕士

导师姓名：李凡长

授予年度：2022年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：贷款风控 机器学习 解释性研究 系统软件设计 

摘      要：传统的贷款风控技术已难以满足当下复杂的贷款业务需求,金融机构也需要通过提升贷款预测的准确性来降低坏账率,同时要求贷款预测模型具有较好的可解释性,从而使金融机构能够加强对自身权益的保障以及为贷款从业人员提供放贷参考依据。因此,本文主要研究工作如下所示:(1)对金融风控中所涉及到的四种通用场景进行具体分析,从而提取具备共性特征的属性作为数据输入。对输入的数据属性进行脱敏、缺失值以及异常值等针对性处理,同时根据金融场景的需求提出数据脱敏处理以及基于群体稳定性指标的数据筛选方法,从数据源头提升模型性能。(2)针对金融风控业务对预测模型的准确性以及可解释性需要,本文提出了基于Bagging的CatBoost-LR融合模型在预测准确度上相比于单一结构的CatBoost提升了 5.31%,同时在基于规则表征学习器方法的基础上对其增加了 attention和mask处理机制,提升了模型的鲁棒性和预测性能。(3)根据贷款从业人员的实际需求,结合本文设计的相关算法模型,设计并实现了贷款违约预测系统。该系统在QT开发框架下实现,采用黑盒测试方法对其进行功能性测试,测试证明该系统功能满足预期与实际需求。