發(fā)布時(shí)間：2020-10-12所屬分類：科技論文瀏覽：1次
摘 要： 摘要 不良貸款問(wèn)題持續(xù)受到各界廣泛關(guān)注。我們?cè)趥鹘y(tǒng)信貸渠道理論的基礎(chǔ)上，基于一個(gè)擴(kuò)展了的利潤(rùn)模型分析了銀行等金融機(jī)構(gòu)對(duì)個(gè)人貸款的信用問(wèn)題的影響，指出金融機(jī)構(gòu)為追求利潤(rùn)最大化，依靠不同的信用程度判斷是否對(duì)貸款者進(jìn)行投放。傳統(tǒng)小微金融風(fēng)控成本高
摘要 不良貸款問(wèn)題持續(xù)受到各界廣泛關(guān)注。我們?cè)趥鹘y(tǒng)信貸渠道理論的基礎(chǔ)上，基于一個(gè)擴(kuò)展了的利潤(rùn)模型分析了銀行等金融機(jī)構(gòu)對(duì)個(gè)人貸款的信用問(wèn)題的影響，指出金融機(jī)構(gòu)為追求利潤(rùn)最大化，依靠不同的信用程度判斷是否對(duì)貸款者進(jìn)行投放。傳統(tǒng)小微金融風(fēng)控成本高，效率低，誤殺率高，漏殺率高。如何將利潤(rùn)最大化關(guān)系著一個(gè)企業(yè)的生死存亡。此文章講述了利用AI利潤(rùn)模型在貸款申請(qǐng)預(yù)測(cè)方面的研究，利用機(jī)器學(xué)習(xí)訓(xùn)練，以此將貸款申請(qǐng)利潤(rùn)最大化。
關(guān)鍵詞：人工智能;機(jī)器學(xué)習(xí);利潤(rùn)模型
一、前言
銀行貸款是指銀行根據(jù)國(guó)家政策以一定的利率將資金借給需要者，并且按約定日期歸還的一種行為，一般要求房屋抵押、收入證明、個(gè)人征信良好才可以申請(qǐng)。
相關(guān)知識(shí)推薦：人工智能的核心期刊都有哪些
最近幾年，政策的進(jìn)一步開(kāi)放與人們的消費(fèi)理念的進(jìn)步，我國(guó)銀行業(yè)個(gè)人消費(fèi)貸款發(fā)展十分快速，私人消費(fèi)貸款占銀行貸款總額的比重一年比一年高，并且逐步成為銀行主要的業(yè)務(wù)和效益來(lái)源之一。隨著金融證券化的發(fā)展，銀行業(yè)面臨著諸多的風(fēng)險(xiǎn)。因此，怎么提高信貸資產(chǎn)的安全性，如何對(duì)貸款用戶進(jìn)行風(fēng)險(xiǎn)評(píng)估，避免不良貸款的風(fēng)險(xiǎn)，成為一家銀行能夠正常運(yùn)行的重中之重。
不良的貸款首先對(duì)銀行來(lái)說(shuō)是一種極大的利益損害，當(dāng)銀行的不良貸款過(guò)多 的時(shí)候，就會(huì)極大的影響銀行的經(jīng)營(yíng)運(yùn)轉(zhuǎn)。對(duì)社會(huì)而言，不良貸款也起到負(fù)面的影響，并形成一系列的不良反應(yīng)。所以銀行想要的便是借款人能夠履行合同，能正常還本付息，及時(shí)償還全款的正常貸款。
互聯(lián)網(wǎng)金融發(fā)展越來(lái)越快,傳統(tǒng)的數(shù)據(jù)分析方法和已經(jīng)不能滿足金融貸款公司越來(lái)越高的成本利潤(rùn)分析要求,大數(shù)據(jù)技術(shù)的出現(xiàn),滿足了金融貸款公司的準(zhǔn)確,靈活,實(shí)時(shí)的分析需求。經(jīng)研究，影響個(gè)人貸款還款的主要因素有：借款人信用狀況，借款人就業(yè)情況與從業(yè)時(shí)間，借款人的收入來(lái)源與消費(fèi)能力，借款人的年齡，學(xué)歷，婚姻家庭狀況等。本文將綜合上述因素進(jìn)行分析，利用機(jī)器學(xué)習(xí)，構(gòu)建貸款模型，盡量降低銀行的貸款風(fēng)險(xiǎn)。
二、機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)是人工智能的最重要的技術(shù)，是利用人工智能解決現(xiàn)實(shí)問(wèn)題的理論基礎(chǔ)。機(jī)器學(xué)習(xí)能夠以數(shù)據(jù)為學(xué)習(xí)對(duì)象，并從得到的數(shù)據(jù)中挖掘出關(guān)鍵信息從而不斷迭代訓(xùn)練，經(jīng)過(guò)大量數(shù)據(jù)分析可以總結(jié)出僅靠人類無(wú)法發(fā)現(xiàn)的規(guī)律和存在的問(wèn)題，機(jī)器學(xué)習(xí)運(yùn)用的地方也越來(lái)越多。
機(jī)器學(xué)習(xí)中被采用的最廣泛的兩大機(jī)器學(xué)習(xí)的方法是監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是已經(jīng)知道所需數(shù)據(jù)的輸入和輸出，運(yùn)用已知的數(shù)據(jù)信息訓(xùn)練算法。首先學(xué)習(xí)算法會(huì)獲得對(duì)應(yīng)所求輸出的數(shù)據(jù)標(biāo)簽，算法會(huì)將實(shí)際輸出與所求輸出進(jìn)行對(duì)比練習(xí)，找到錯(cuò)誤。然后對(duì)現(xiàn)有模型進(jìn)行修改，通過(guò)分類、回歸、梯度下降等方法，最終使算法可以通過(guò)新的數(shù)據(jù)來(lái)預(yù)測(cè)可能的結(jié)果。 例如，本文就是為了預(yù)測(cè)什么樣的貸款交易是有風(fēng)險(xiǎn)的。
無(wú)監(jiān)督學(xué)習(xí)，與監(jiān)督學(xué)習(xí)恰恰相反，使用無(wú)歷史標(biāo)簽的相反數(shù)據(jù)。系統(tǒng)不會(huì)被告知正確的輸出，算法必須自己探索所求輸出。無(wú)監(jiān)督學(xué)習(xí)對(duì)事務(wù)性數(shù)據(jù)的處理效果很好。比如，它可以通過(guò)用戶數(shù)據(jù)分析識(shí)別有一些具有相同屬性的貸款客戶群體，或者它可以找到主要屬性將客戶群體彼此區(qū)分開(kāi)。
三、AI利潤(rùn)模型
根據(jù)前文講述的機(jī)器學(xué)習(xí)的相關(guān)內(nèi)容，我們可以知到機(jī)器學(xué)習(xí)是能夠基于數(shù)據(jù)建模學(xué)習(xí)的一種方法，對(duì)大數(shù)據(jù)條件下的問(wèn)題可以通過(guò)機(jī)器學(xué)習(xí)算法模型挖掘數(shù)據(jù)中潛在的價(jià)值和信息，從而進(jìn)行分析和解決。我們?cè)倩氐劫J款申請(qǐng)最大化利潤(rùn)問(wèn)題，我們需要判斷用戶是否具有還款能力，從而決定是否給出該用戶的借款資格，希望通過(guò)用戶的個(gè)人信息，建立模型給出一個(gè)評(píng)估結(jié)果。嘗試通過(guò)算法模型分析出一個(gè)用戶是否具備還款能力。
AI利潤(rùn)模型實(shí)現(xiàn)了貸前、貸中到貸后的全流程自動(dòng)化審批，最大化的降低了出借管理成本，減少了業(yè)務(wù)前期籌備時(shí)間，提高了風(fēng)險(xiǎn)控制效率。
為了得到最小化的損失函數(shù)和最優(yōu)的模型參數(shù)值，可以通過(guò)梯度下降法的方式進(jìn)行步步的迭代求解。首先，梯度下降，是采用一步步逼近目標(biāo)函數(shù)的最小值的方法。但因?yàn)閾p失函數(shù)不一定是凸函數(shù)，這種方式有可能會(huì)求得局部的最優(yōu)解，而不是整個(gè)函數(shù)全局的最優(yōu)解。所以還需要對(duì)選擇方式，學(xué)習(xí)率和批處理數(shù)量進(jìn)行研究。學(xué)習(xí)率也就是每一步的步長(zhǎng)，可以盡量從小開(kāi)始，如果還是達(dá)不到最優(yōu)就在減小，但也不能太小徒增計(jì)算量，增加計(jì)算時(shí)間。梯度下降法也大致分為三類，分別是批量梯度下降法，隨機(jī)梯度下降法及小批量梯度下降法。第一種每次迭代都考慮全部樣本，太費(fèi)時(shí)間;第二種迭代速度快，但不一定每次都朝著收斂的方向;最后一種每次選擇一小部分樣本，既實(shí)用又方便。所以我們的處理方式將選擇小批量梯度下降法。我們通過(guò)大量的數(shù)據(jù)實(shí)驗(yàn)，結(jié)合機(jī)器學(xué)習(xí)算法建立貸款申請(qǐng)模型，AI利潤(rùn)模型以利潤(rùn)進(jìn)行回溯分析來(lái)調(diào)控過(guò)件難度系數(shù)(240, 260]，毛利潤(rùn)達(dá)到峰值。
四、結(jié)束語(yǔ)
本文基于AI利潤(rùn)算法模型再實(shí)際場(chǎng)景中建立貸款申請(qǐng)利潤(rùn)最大化，并且表現(xiàn)良好，對(duì)最大化銀行銀行利潤(rùn)起到了不錯(cuò)的參考和指導(dǎo)作用。本文的模型仍存在一些提升空間，基于實(shí)驗(yàn)數(shù)據(jù)集較小，尚未進(jìn)行大規(guī)模數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，未來(lái)可以在調(diào)節(jié)參數(shù)，嘗試更換一些集成算法上做出優(yōu)化，本文對(duì)正負(fù)樣本不均衡問(wèn)題采用的是調(diào)整正負(fù)樣本權(quán)重方式，是基于數(shù)據(jù)樣本較小的情況下做出的考慮，最好的辦法依然還是盡量獲取到更多的數(shù)據(jù)，從而使模型得到更強(qiáng)的泛化能力。——論文作者：劉四旗，王崴緒，王文武，張曼利，陳梅
