導(dǎo)語(yǔ)：機(jī)器學(xué)習(xí)方法及信用風(fēng)險(xiǎn)評(píng)估一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢(xún)客服老師，歡迎參考。

摘要：基于信用風(fēng)險(xiǎn)評(píng)估的文獻(xiàn)隨著時(shí)間的推移以及技術(shù)創(chuàng)新的不斷更新，相關(guān)機(jī)器學(xué)習(xí)方法運(yùn)用近年來(lái)也與時(shí)俱進(jìn)。基于此，主要從傳統(tǒng)的機(jī)器學(xué)習(xí)方法、近現(xiàn)代機(jī)器學(xué)習(xí)方法以及近三年來(lái)最新研究三個(gè)方面進(jìn)行信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域文獻(xiàn)梳理與評(píng)述，歸納現(xiàn)有機(jī)器學(xué)習(xí)方法存在的問(wèn)題和不足，并對(duì)未來(lái)機(jī)器學(xué)習(xí)方法在金融風(fēng)控領(lǐng)域研究方向做出展望，提出發(fā)展趨勢(shì)。

關(guān)鍵詞:機(jī)器學(xué)習(xí)方法；信用風(fēng)險(xiǎn)；評(píng)估

隨著人工智能的發(fā)展和大數(shù)據(jù)時(shí)代的到來(lái)，眾多學(xué)者利用機(jī)器學(xué)習(xí)方法對(duì)信用風(fēng)險(xiǎn)評(píng)估展開(kāi)廣泛研究。信用風(fēng)險(xiǎn)管理在國(guó)內(nèi)外金融機(jī)構(gòu)的穩(wěn)健運(yùn)行中扮演重要角色，傳統(tǒng)的判斷用戶(hù)是否違約的方法已經(jīng)不能滿足當(dāng)今數(shù)據(jù)類(lèi)型多、用戶(hù)量大、風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率高的要求，大量學(xué)者運(yùn)用機(jī)器學(xué)習(xí)方法深入展開(kāi)相關(guān)討論并做出一系列研究成果，證明該方法具有較好的預(yù)測(cè)和泛化能力。整體來(lái)看，我國(guó)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估較國(guó)外起步較晚，起初的文獻(xiàn)大部分都是進(jìn)行傳統(tǒng)單一模型的風(fēng)險(xiǎn)評(píng)估，近年來(lái)才開(kāi)始利用集成機(jī)器學(xué)習(xí)方法進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。信用風(fēng)險(xiǎn)對(duì)于我國(guó)金融風(fēng)控領(lǐng)域尤為重要，因此，對(duì)此進(jìn)行相關(guān)文獻(xiàn)梳理以及發(fā)展趨勢(shì)研究具有重要意義。

一、基于統(tǒng)計(jì)學(xué)習(xí)方法的信用風(fēng)險(xiǎn)評(píng)估綜述

回歸分析等方法最早用于開(kāi)展信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域。在國(guó)外，Durand（1941）利用線性判別分析法應(yīng)用信貸評(píng)估系統(tǒng)，提出使用基于數(shù)理統(tǒng)計(jì)的模型對(duì)信用風(fēng)險(xiǎn)評(píng)估問(wèn)題進(jìn)行了研究，是已知文獻(xiàn)中最早被用來(lái)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估的方法，自此信用評(píng)估由單純的定性分析轉(zhuǎn)向了定量分析。同時(shí)，這一方法存在一定的局限性，它對(duì)于數(shù)據(jù)分布要求的假設(shè)性太強(qiáng)，并且樣本分類(lèi)依據(jù)不是均值而是方差，因此導(dǎo)致最終的分類(lèi)效果不是特別強(qiáng)。Orgler（1970）在1970年最早使用線性回歸方法針對(duì)貸款者的信用狀況結(jié)合實(shí)際情況進(jìn)行分?jǐn)?shù)評(píng)級(jí)，預(yù)測(cè)銀行客戶(hù)信用風(fēng)險(xiǎn)。在國(guó)內(nèi)，姚路（2017）結(jié)合個(gè)人信用數(shù)據(jù)對(duì)用戶(hù)進(jìn)行信用評(píng)價(jià)，運(yùn)用多元線性回歸方法進(jìn)行模型構(gòu)建。線性回歸方法從本質(zhì)上來(lái)說(shuō)是用現(xiàn)有用戶(hù)信用數(shù)據(jù)對(duì)未知信用狀況的用戶(hù)進(jìn)行回歸預(yù)測(cè)，最終得出用戶(hù)是否違約的概率。但是線性回歸也有一定的弊端，它所得出的值域介于正負(fù)無(wú)窮大之間，而邏輯回歸方法的出現(xiàn)正好解決了這一問(wèn)題。Wiginton等（1980）最先提出Logistic回歸模型用于進(jìn)行信用評(píng)估。邏輯回歸將線性回歸后得出的值進(jìn)行Sigmoid函數(shù)轉(zhuǎn)換成概率值，在0—1之間設(shè)定經(jīng)驗(yàn)閾值從而實(shí)現(xiàn)二分類(lèi)問(wèn)題。Grablowsky（1981）在Logistic基礎(chǔ)上進(jìn)一步提出Probit回歸模型進(jìn)行風(fēng)險(xiǎn)評(píng)估。該模型主要是將Logistic回歸模型中的似然比對(duì)數(shù)函數(shù)調(diào)整為正態(tài)分布函數(shù)的反函數(shù)。Steenackers等（1989）對(duì)Logistic回歸模型進(jìn)行優(yōu)化，將用戶(hù)信息的各種變量關(guān)系通過(guò)該模型進(jìn)行反映，增強(qiáng)了該模型的可解釋性。Ziari（1997）進(jìn)行信用風(fēng)險(xiǎn)評(píng)估時(shí)將線性分析模型與統(tǒng)計(jì)分析模型相結(jié)合，對(duì)比單一的線性分析和統(tǒng)計(jì)分析模型發(fā)現(xiàn)效果更好。在國(guó)內(nèi)，胡濱（2011）利用logistic回歸模型對(duì)銀行信貸狀況進(jìn)行分析，以減少信用經(jīng)濟(jì)帶來(lái)的損失和風(fēng)險(xiǎn)。李淑錦（2018）運(yùn)用logistic回歸實(shí)證得出傳統(tǒng)金融借貸機(jī)構(gòu)風(fēng)險(xiǎn)低于網(wǎng)貸平臺(tái)，同時(shí)考慮閾值的設(shè)定對(duì)規(guī)避模型判斷失誤而導(dǎo)致的資金損失有重要意義。

二、基于現(xiàn)代機(jī)器學(xué)習(xí)方法的信用風(fēng)險(xiǎn)評(píng)估綜述

基于機(jī)器學(xué)習(xí)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型在近年來(lái)逐漸興起，展現(xiàn)了相比傳統(tǒng)風(fēng)險(xiǎn)評(píng)估方法較強(qiáng)的優(yōu)越性。常見(jiàn)的現(xiàn)代機(jī)器學(xué)習(xí)方法有BP神經(jīng)網(wǎng)絡(luò)、K近鄰、SVM支持向量機(jī)等。此外，基于樹(shù)模型的機(jī)器學(xué)習(xí)方法也廣泛應(yīng)用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估，如基礎(chǔ)的決策樹(shù)模型、相關(guān)集成模型如隨機(jī)森林、GBDT、XGBoost、light-GBM等。在國(guó)外，Makowski（1985）是最先開(kāi)啟現(xiàn)代機(jī)器學(xué)習(xí)方法在個(gè)人信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域應(yīng)用的學(xué)者，他利用用戶(hù)信用數(shù)據(jù)在分類(lèi)樹(shù)上構(gòu)建模型，對(duì)好壞客戶(hù)進(jìn)行分類(lèi)并取得了一定效果。Cover和Hart（1986）提出K近鄰方法，對(duì)于二分類(lèi)的問(wèn)題處理比較高效且被廣泛應(yīng)用于信用風(fēng)險(xiǎn)評(píng)估中。Odam（1990）最先將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于個(gè)人信用評(píng)分模型，根據(jù)用戶(hù)信用數(shù)據(jù)構(gòu)建評(píng)分體系，指出人工神經(jīng)網(wǎng)絡(luò)在信用評(píng)分過(guò)程中有較好的解釋性與應(yīng)用性。Li（2000）對(duì)XGBoost進(jìn)行信用風(fēng)險(xiǎn)建模研究。Baesensl等（2003）針對(duì)2003年之前的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型進(jìn)行對(duì)比研究驗(yàn)證發(fā)現(xiàn)，線性判別分析法和Logistic回歸模型在進(jìn)行信用風(fēng)險(xiǎn)評(píng)估表現(xiàn)出較好的效果。StefanLessmann等（2015）在41種分類(lèi)器對(duì)不同數(shù)據(jù)集進(jìn)行分析，實(shí)驗(yàn)結(jié)果表明，集成模型如隨機(jī)森林在信用風(fēng)險(xiǎn)評(píng)估效果上表現(xiàn)最佳。Brown（2012）指出，機(jī)器學(xué)習(xí)方法主要是通過(guò)監(jiān)督學(xué)習(xí)對(duì)用戶(hù)的信用數(shù)據(jù)進(jìn)行模型構(gòu)建，經(jīng)過(guò)數(shù)據(jù)處理、特征提取等一系列操作對(duì)構(gòu)建的模型進(jìn)行用戶(hù)行為和特征的預(yù)測(cè)，以此來(lái)判斷用戶(hù)下一次交易違約的可能性。在國(guó)內(nèi)，姜明輝等（2004）利用K近鄰方法研究了信用風(fēng)險(xiǎn)評(píng)估，對(duì)小數(shù)據(jù)集的分類(lèi)風(fēng)險(xiǎn)問(wèn)題進(jìn)行實(shí)驗(yàn)分析。劉昕（2007）將人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于銀行信用風(fēng)險(xiǎn)管理，得出神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的打分法和統(tǒng)計(jì)模型判別正確率更高，并且在第二類(lèi)錯(cuò)誤率這一關(guān)鍵指標(biāo)上優(yōu)勢(shì)較好。王潤(rùn)華（2010）改進(jìn)支持向量機(jī)進(jìn)行風(fēng)險(xiǎn)評(píng)估，得出多項(xiàng)式核進(jìn)行分類(lèi)在高斯核和線性核三種方法中表現(xiàn)效果最好。方匡南等（2014）引入Lasso-Logistic模型，運(yùn)用Lasso方法對(duì)重要的變量特征進(jìn)行選擇，這一組合進(jìn)行個(gè)人信用評(píng)估可以明顯加快計(jì)算速度。付永貴（2016）改進(jìn)線性回歸模型，并在大數(shù)據(jù)的基礎(chǔ)上對(duì)網(wǎng)絡(luò)供應(yīng)商信用數(shù)據(jù)進(jìn)行了研究。羅雅晨（2018）研究了數(shù)據(jù)不平衡問(wèn)題，基于改進(jìn)的隨機(jī)森林方法提出比例平衡的隨機(jī)森林模型用來(lái)建立個(gè)人信用評(píng)分模型。

三、信用風(fēng)險(xiǎn)評(píng)估文獻(xiàn)最新研究進(jìn)展

近年來(lái)，針對(duì)數(shù)據(jù)不平衡、特征選擇、數(shù)據(jù)維度高等問(wèn)題，新的改進(jìn)機(jī)器學(xué)習(xí)集成模型不斷被提出，各種模型的組合器模型將幾種算法相結(jié)合。最新研究表明，隨著人工智能和大數(shù)據(jù)的發(fā)展，信用風(fēng)控領(lǐng)域不斷增強(qiáng)信用風(fēng)險(xiǎn)評(píng)估模型的預(yù)測(cè)效果和性能，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法和組合模型運(yùn)用的興起成為了當(dāng)今時(shí)代研究個(gè)人信用風(fēng)險(xiǎn)評(píng)估的重點(diǎn)領(lǐng)域。深層神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的機(jī)器學(xué)習(xí)方法性能更高，風(fēng)險(xiǎn)控制能力更強(qiáng)，顯著提高了金融行業(yè)風(fēng)險(xiǎn)測(cè)度水平，提供一個(gè)更安全的金融交易環(huán)境。JianLuo（2020）改進(jìn)支持向量機(jī)非線性核函數(shù)的敏感和對(duì)非線性核函數(shù)的敏感隨機(jī)初始化，計(jì)算代價(jià)高、不適合非平衡數(shù)據(jù)集等問(wèn)題，提出無(wú)核二次曲面支持向量機(jī)（QSSVM）模型。MirkoMoscatelli（2020）通過(guò)實(shí)證分析對(duì)比統(tǒng)計(jì)學(xué)方法，如線性判斷分析和邏輯回歸以及機(jī)器學(xué)習(xí)方法，如隨機(jī)森林和梯度提升，比較得出在數(shù)據(jù)量較大的情況下機(jī)器學(xué)習(xí)方法在信用風(fēng)險(xiǎn)評(píng)估上精確度和表現(xiàn)性能明顯優(yōu)于統(tǒng)計(jì)學(xué)方法。NishaArora（2020）利用隨機(jī)森林改進(jìn)特征選擇過(guò)程，提出Boot-strap-Lasso這一新方法，對(duì)比多個(gè)基礎(chǔ)機(jī)器學(xué)習(xí)方法效果得出Bolasso使能隨機(jī)森林算法（BS-RF）提供信用風(fēng)險(xiǎn)評(píng)估的最佳結(jié)果。DiegoPaganotiFonsecaa（2020）結(jié)合模糊分級(jí)和神經(jīng)網(wǎng)絡(luò)兩階段方法對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行簡(jiǎn)單分析，采用模糊邏輯將專(zhuān)家和從業(yè)者的意見(jiàn)結(jié)合在一起證明該方法可行性，解釋了比商業(yè)廣告提供的信用評(píng)分更便宜的解決方案評(píng)級(jí)機(jī)構(gòu)。YuelinWanga（2020）比較分析了不同機(jī)器學(xué)習(xí)方法在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用，隨機(jī)森林在五種基本分類(lèi)器中表現(xiàn)性能最好，因此也有很多學(xué)者將隨機(jī)森林作為預(yù)測(cè)模型的基分類(lèi)器。GuanlinLi（2019）結(jié)合XGBoost，隨機(jī)森林，SVM三種模型的高精度、魯棒性和泛化能力的特點(diǎn)進(jìn)行信貸違約風(fēng)險(xiǎn)的預(yù)測(cè)，結(jié)果證明組合器模型比單個(gè)模型預(yù)測(cè)效果更好，更有利于降低平臺(tái)的壞賬率，對(duì)金融風(fēng)控起到較好作用。吳金旺，顧洲（2018）結(jié)合隨機(jī)森林和邏輯回歸兩種方法對(duì)商業(yè)銀行客戶(hù)信用進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。王春才（2018）將主動(dòng)學(xué)習(xí)和徑向基網(wǎng)絡(luò)進(jìn)行融合，提出基于機(jī)器學(xué)習(xí)技術(shù)的風(fēng)控模型用來(lái)進(jìn)行異常用戶(hù)檢測(cè)和信用評(píng)分。王超（2019）利用一個(gè)神經(jīng)網(wǎng)絡(luò)模型、一個(gè)K均值聚類(lèi)模型以及三個(gè)貝葉斯網(wǎng)絡(luò)模型將多個(gè)算法進(jìn)行相互驗(yàn)證，建立數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)優(yōu)化學(xué)習(xí)機(jī)制進(jìn)行貸款詐騙風(fēng)險(xiǎn)預(yù)測(cè)。楊德杰等（2019）運(yùn)用深度學(xué)習(xí)方法提出基于堆棧降噪自編碼網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估模型，充分考慮數(shù)據(jù)特征之間的相關(guān)性進(jìn)行分析。劉瀟雅等（2019）針對(duì)支持向量機(jī)在訓(xùn)練高維數(shù)據(jù)不能主動(dòng)進(jìn)行特征選擇導(dǎo)致準(zhǔn)確率下降的缺點(diǎn)，構(gòu)建C4.5決策樹(shù)優(yōu)化支持向量機(jī)的信用評(píng)估模型。莫贊（2019）針對(duì)在個(gè)人信用評(píng)估問(wèn)題和風(fēng)險(xiǎn)日益劇增問(wèn)題和數(shù)據(jù)集的不平衡問(wèn)題，從梯度提升樹(shù)組合特征和集成算法的角度出發(fā)提出一種基于Bagging集成學(xué)習(xí)算法的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型。關(guān)于集成學(xué)習(xí)模型的應(yīng)用，王思宇（2019）運(yùn)用lightGBM模型評(píng)估個(gè)人信用風(fēng)險(xiǎn)，結(jié)果表明對(duì)普通的決策樹(shù)模型來(lái)說(shuō)，該模型魯棒性更好且預(yù)測(cè)更加精準(zhǔn)。王心逸（2020）將GBDT模型進(jìn)行風(fēng)險(xiǎn)控制，引入一系列評(píng)估系數(shù)作為模型評(píng)估指標(biāo)對(duì)個(gè)人貸款數(shù)據(jù)集進(jìn)行實(shí)證研究。李欣(2020)利用XGBoost改進(jìn)傳統(tǒng)的網(wǎng)格搜索法，解決參數(shù)尋優(yōu)時(shí)耗費(fèi)時(shí)間長(zhǎng)的問(wèn)題，由此建立風(fēng)險(xiǎn)評(píng)估模型。為處理高維特征，張雷(2020)針對(duì)特征選擇和數(shù)據(jù)不平衡問(wèn)題提出了RF-SMOTE-XG-Boost模型，訓(xùn)練階段采用粒子群優(yōu)化算法對(duì)XGBoost模型做分類(lèi)精度提高。劉偉江等（2020）將反映客戶(hù)信息四個(gè)方面的特征變量相互連接綜合成灰度圖，建立基于卷積神經(jīng)網(wǎng)絡(luò)的客戶(hù)信用評(píng)估模型，實(shí)證了基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型在信用風(fēng)險(xiǎn)評(píng)估上的可解釋性。王重仁等（2020）提出的一種基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)融合的深度神經(jīng)網(wǎng)絡(luò)個(gè)人信用評(píng)分方法，融合了基于注意力機(jī)制的LSTM模型和CNN模型兩個(gè)子模型，顯著提高了評(píng)估精度。

四、研究評(píng)述

統(tǒng)計(jì)學(xué)習(xí)方法在信用風(fēng)險(xiǎn)評(píng)估中因結(jié)構(gòu)簡(jiǎn)單、解釋力度較強(qiáng)而被廣泛應(yīng)用，但以變量之間存在線性關(guān)系為假設(shè)，預(yù)測(cè)效果缺乏準(zhǔn)確性，在很多情況下并不能完全反映客戶(hù)的信用狀況，特別是對(duì)具有真實(shí)分析價(jià)值的信息難以提取。現(xiàn)代機(jī)器學(xué)習(xí)方法構(gòu)建的風(fēng)險(xiǎn)評(píng)估模型通過(guò)數(shù)據(jù)訓(xùn)練精度較高，比較支持向量機(jī)、隨機(jī)森林、決策樹(shù)、集成學(xué)習(xí)等現(xiàn)代的機(jī)器學(xué)習(xí)方法，可以看出隨機(jī)森林精度較高且具有良好的泛化能力，SVM預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)確度較低但穩(wěn)健性較好，XGBoost和light-GBM作為比較新的方法，預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)確率更高。由于多種組合模型相較單一模型預(yù)測(cè)精度更高，最新研究將不同的機(jī)器學(xué)習(xí)方法進(jìn)行結(jié)合，或者采用集成學(xué)習(xí)方法進(jìn)行數(shù)據(jù)的特征處理，這種方法能夠更好探索信用數(shù)據(jù)內(nèi)部的相關(guān)結(jié)構(gòu)，形成預(yù)測(cè)精度更高的分類(lèi)組合模型。但這些機(jī)器學(xué)習(xí)方法也存在一些問(wèn)題，如在計(jì)算用戶(hù)風(fēng)險(xiǎn)指標(biāo)權(quán)重時(shí)沒(méi)有考慮到指標(biāo)之間的相互作用，對(duì)于計(jì)算指標(biāo)權(quán)重的風(fēng)險(xiǎn)評(píng)估模型較少，同時(shí)，由于其計(jì)算過(guò)程復(fù)雜、穩(wěn)定性較低，還由于其解釋能力不足而容易被認(rèn)為是“黑箱”。隨著大數(shù)據(jù)時(shí)代到來(lái)，人工智能不斷深入金融風(fēng)控領(lǐng)域，未來(lái)可以從以下三方面進(jìn)行深入研究。第一，現(xiàn)有的機(jī)器學(xué)習(xí)方法主要針對(duì)特定的數(shù)據(jù)集進(jìn)行靜態(tài)風(fēng)險(xiǎn)預(yù)測(cè)，由于數(shù)據(jù)隱私問(wèn)題，很多信息無(wú)法獲取。運(yùn)用機(jī)器學(xué)習(xí)方法結(jié)合人物畫(huà)像對(duì)用戶(hù)信息進(jìn)行更加深度的動(dòng)態(tài)提取也是一大方向，目前在此領(lǐng)域進(jìn)行相關(guān)探索主要應(yīng)用在銀行風(fēng)控等領(lǐng)域，未來(lái)可以對(duì)此進(jìn)行深入挖掘，在對(duì)渠道多平臺(tái)進(jìn)行大數(shù)據(jù)累計(jì)并進(jìn)行動(dòng)態(tài)預(yù)測(cè)。第二，在風(fēng)險(xiǎn)評(píng)估模型建立上，現(xiàn)有一般模型屬于常權(quán)綜合模型，各指標(biāo)值由于相互替代導(dǎo)致評(píng)估結(jié)果高估，以及各指標(biāo)權(quán)重計(jì)算方法與標(biāo)準(zhǔn)不統(tǒng)一，并且對(duì)指標(biāo)間存在相互影響的缺失值問(wèn)題缺乏深度研究，對(duì)此也值得進(jìn)一步分析和討論。此外，人工智能時(shí)代本質(zhì)上促進(jìn)了深度學(xué)習(xí)的發(fā)展，智能人臉識(shí)別、智能渠道管控、智能數(shù)據(jù)監(jiān)測(cè)等應(yīng)用也加深了風(fēng)險(xiǎn)控制與管理，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等復(fù)雜網(wǎng)絡(luò)對(duì)人工智能做出更大貢獻(xiàn)。目前國(guó)家大力提倡金融與科技創(chuàng)新性復(fù)合人才培養(yǎng)力度，打造深度學(xué)習(xí)性人才促進(jìn)金融風(fēng)控的發(fā)展。深度神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)估方面的應(yīng)用顯示了金融風(fēng)控強(qiáng)大的優(yōu)勢(shì)，未來(lái)結(jié)合大數(shù)據(jù)與深度學(xué)習(xí)進(jìn)行風(fēng)險(xiǎn)評(píng)估，在保護(hù)用戶(hù)隱私前提下進(jìn)行更加精確地預(yù)測(cè)將是開(kāi)展信用風(fēng)險(xiǎn)評(píng)估的一大趨勢(shì)。

參考文獻(xiàn)：

[1]JianLuoa,XinYanb,YeTian.Unsupervisedquadraticsurfacesupportvectormachinewithapplicationtocreditriskassessment[J].EuropeanJournalofOperationalResearch，2020：1008-1017.

[2]MirkoMoscatellia,FabioParlapianoa,SimoneNarizzanob,GianlucaViggiano.Corporatedefaultforecastingwithmachinelearning[J].Ex－pertSystemswithApplications.，2020：1-12.

[3]NishaArora，PankajDeepKaur.ABolassobasedconsistentfeatureselectionenabledrandomforestclassificationalgorithm:Anapplica－tiontocreditriskassessment[J].AppliedSoftComputingJournal，2020：1-15.

[4]DiegoPaganotiFonsecaa,PeterFernandesWankea,HenriqueLuizCorrea.Atwo-stagefuzzyneuralapproachforcreditriskassessmentinaBraziliancreditcardcompany[J].AppliedSoftComputingJournal，2020：1-13.

[5]YuelinWanga,YihanZhanga,YanLua,XinranYua.AComparativeAssessmentofCreditRiskModelBasedonMachineLearning—acasestudyofbankloandata[J].ProcediaComputerScience，2020：141-149.

[6]王思宇.基于LightGBM算法的信用風(fēng)險(xiǎn)評(píng)估模型研究[J].軟件導(dǎo)刊，2019，18（10）：19-22.

[7]楊德杰.基于堆棧降噪自編碼網(wǎng)絡(luò)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估方法[J].計(jì)算機(jī)科學(xué)，2019，46（10）：7-10.

[8]劉偉江.基于卷積神經(jīng)網(wǎng)絡(luò)的客戶(hù)信用評(píng)估模型研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020，（6）：80-90.

[9]張雷.基于RF?SMOTE?XGboost下的銀行用戶(hù)個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型[J].現(xiàn)代電子技術(shù)，2020，43（16）：76-81.

[10]劉瀟雅，等.基于C4.5算法優(yōu)化SVM的個(gè)人信用評(píng)估模型[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（7）：133-138.

作者：毛子林 劉姜 單位：上海理工大學(xué)管理學(xué)院