陳 煜 周繼恩 杜金泉

(中國(guó)銀聯(lián)股份有限公司 上海 200135)

0 引 言

隨著大數(shù)據(jù)時(shí)代的到來(lái)，各種各樣的用戶數(shù)據(jù)都可以用于轉(zhuǎn)化，評(píng)估，體現(xiàn)個(gè)人數(shù)據(jù)。日常消費(fèi)數(shù)據(jù)還有很大的挖掘價(jià)值。學(xué)術(shù)研究方面，國(guó)內(nèi)學(xué)者從定性和定量的角度對(duì)個(gè)人信用評(píng)估進(jìn)行了一系列的研究[5]，但是目前為止尚未形成一種針對(duì)銀行卡交易數(shù)據(jù)的個(gè)人信用評(píng)估模型及體系。因此本文以個(gè)人信用評(píng)估方法為研究中心，結(jié)合銀行卡交易數(shù)據(jù)，構(gòu)建一個(gè)新的個(gè)人信用評(píng)估模型。

1941年，Divid Durand采用評(píng)分形式來(lái)評(píng)估個(gè)人信用，建立了經(jīng)典的消費(fèi)信貸評(píng)分標(biāo)準(zhǔn)。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，越來(lái)越多的計(jì)量方法應(yīng)用到了信用評(píng)估領(lǐng)域，比如統(tǒng)計(jì)學(xué)中的線性回歸方法和Logisitic回歸[6]，機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)[3]、集成學(xué)習(xí)[8]、支持向量機(jī)[2]等，這些方法不斷完善著信用評(píng)估系統(tǒng)。

1 信用模型構(gòu)建

首先，本文著眼于個(gè)人信用模型的建立，采用的數(shù)據(jù)來(lái)源于線下刷卡、網(wǎng)上消費(fèi)等產(chǎn)生的交易數(shù)據(jù)。然后，針對(duì)問(wèn)題，提取有效的特征集，篩選特征并用于信用模型的訓(xùn)練。最后，對(duì)訓(xùn)練完成的信用評(píng)估模型驗(yàn)證，解釋結(jié)果，并做出相應(yīng)的決策建議。

1.1 信用特征計(jì)算方法

特征是指區(qū)分不同類型的本質(zhì)特點(diǎn)，在信用評(píng)估的問(wèn)題下，更偏向?qū)ふ?，?jì)算那些能夠用于區(qū)分信用好的用戶及信用差的用戶的特征，用戶的信用畫(huà)像由這些信用相關(guān)的特征組成。因此特征提取在提高分類的準(zhǔn)確性中起著非常關(guān)鍵的作用。

交易數(shù)據(jù)中包含的要素有：交易金額、交易時(shí)間、交易渠道、商戶代碼、交易地區(qū)、交易類型、商戶類型、卡類型、卡介質(zhì)、發(fā)卡機(jī)構(gòu)、收單機(jī)構(gòu)等。在研究中，本文根據(jù)交易數(shù)據(jù)，提取了眾多的特征，大體的方法主要分為三類：

(1) 基于統(tǒng)計(jì)方法的特征提取 每個(gè)人所持有的卡數(shù)和產(chǎn)生交易的次數(shù)都不同。本文基于統(tǒng)計(jì)的方法提取了大部分特征。提取特征的常見(jiàn)方法有均值、方差、最大值、最小值、時(shí)率、占比等?；旧辖灰字薪^大部分要素都可以通過(guò)統(tǒng)計(jì)的方法衍生出眾多的特征。

(2) 利用聚類方法，計(jì)算行為特征模型 有些人偏愛(ài)消費(fèi)，有些人偏愛(ài)存取。依據(jù)每個(gè)人不同的行為偏好，采用聚類的方法將目標(biāo)用戶分為幾類，利用聚類方法針對(duì)不同群體計(jì)算行為特征。聚類的場(chǎng)景可以是交易時(shí)間、交易渠道、交易金額、交易次數(shù)、交易頻率等。例如，消費(fèi)行為聚類特征，將交易渠道分為四類{ POS ，ATM，電腦互聯(lián)網(wǎng)消費(fèi)，其他}，計(jì)算每個(gè)持卡人各個(gè)渠道的交易占比，以此4個(gè)特征作為聚類特征，利用Kmeans算法，將樣本用戶劃分為幾類。

(3) 依據(jù)經(jīng)驗(yàn)知識(shí)，刻畫(huà)信用特征 構(gòu)造用戶畫(huà)像主要是依靠?jī)?nèi)部和外部的信用經(jīng)驗(yàn)，抽象出影響個(gè)人信用風(fēng)險(xiǎn)的關(guān)鍵性因素，依據(jù)交易數(shù)據(jù)實(shí)現(xiàn)關(guān)鍵因素的計(jì)算。在信用領(lǐng)域、還款能力、還款意愿，資金管理能力等都是影響信用評(píng)估的關(guān)鍵。

1.2 特征篩選

通過(guò)以上三種方法，計(jì)算了大約2 000多特征。這里有許多特征對(duì)于信用評(píng)估是無(wú)用的，甚至有負(fù)面作用。特征選擇減少特征的數(shù)量，使模型泛化能力更強(qiáng)。本文采用特征選擇的方法有：

(1) IV值 IV值，即information value，中文表述為信息量或信息值，其主要作用就是當(dāng)我們?cè)谟脹Q策樹(shù)或邏輯回歸構(gòu)建分類模型時(shí)對(duì)變量進(jìn)行篩選。IV值就是衡量自變量對(duì)于標(biāo)簽特征的區(qū)分能力，IV值越大，區(qū)分能力越強(qiáng)。本文設(shè)置IV值的閾值為0.04，篩選掉IV值小于0.04的特征變量。

(2) 相關(guān)性過(guò)濾 相關(guān)系數(shù)用于考察兩個(gè)變量或特征之間的相關(guān)程度。如果相關(guān)性過(guò)高，會(huì)導(dǎo)致模型重復(fù)計(jì)算。因此，需要過(guò)濾掉相關(guān)性過(guò)高的特征，本文設(shè)定線性相關(guān)性閾值為0.5.當(dāng)兩個(gè)變量相關(guān)性大于0.5時(shí)，保留IV值較大的特征變量。

2 信用評(píng)分模型

一般的分類算法，輸出的并不是一個(gè)評(píng)分，而是一個(gè)類別。信用評(píng)分的優(yōu)勢(shì)在于可以在實(shí)際評(píng)估審核用戶的貸款資格時(shí)，依據(jù)其他信息，狀況做出更切實(shí)的調(diào)整；并且信用狀況本身通過(guò)二分類問(wèn)題簡(jiǎn)單描述，并不完全適合。因此本文通過(guò)集成學(xué)習(xí)方法，訓(xùn)練多個(gè)成員分類器，通過(guò)設(shè)計(jì)融合函數(shù)，達(dá)到評(píng)分的效果。

決策樹(shù)是一種實(shí)用，高效的學(xué)習(xí)算法。它有著許多良好的特性，比如訓(xùn)練時(shí)間負(fù)責(zé)度低，預(yù)測(cè)時(shí)間短等，但同時(shí)，單獨(dú)一棵決策樹(shù)也有許多缺點(diǎn)，比如容易過(guò)度擬合。通過(guò)集成學(xué)習(xí)方法，可以大大減少單決策樹(shù)帶來(lái)的負(fù)面影響。隨機(jī)森林是集成學(xué)習(xí)的一種方法，本文采用隨機(jī)森林的方法，利用上一步計(jì)算篩選所得的特征，引入隨機(jī)代價(jià)矩陣，學(xué)習(xí)和訓(xùn)練模型。

2.1 引入隨機(jī)性

一般而言，在信貸領(lǐng)域?qū)⒖蛻舴譃閮刹糠郑徊糠质切刨J行為較好的用戶，我們將客戶在借貸后，按期還款，視為“好客戶”；有一些客戶在借款后，未能按期還款，拖延達(dá)一定日期后，我們認(rèn)定這類客戶為“壞”客戶。為方便起見(jiàn)，定義“壞”客戶為正樣本，“好”客戶為負(fù)樣本。樣本中正樣本和負(fù)樣本比例不均衡。同樣一個(gè)正例帶來(lái)的損失遠(yuǎn)遠(yuǎn)大于好客戶帶來(lái)的收益。因此在訓(xùn)練成員分類器時(shí)，設(shè)置代價(jià)敏感矩陣。

(1)

式中：vbad是一個(gè)壞客戶被誤判為好客戶所造成的的損失，vgood是對(duì)于好客戶誤判造成的損失，正確分類的代價(jià)為0。

隨機(jī)森林是由多個(gè)決策樹(shù)組成的分類器，為了確保成員分類器之間的差異性，隨機(jī)選擇F個(gè)輸入特征來(lái)對(duì)決策樹(shù)的結(jié)點(diǎn)進(jìn)行分裂。隨機(jī)森林的相關(guān)性取決與F的大小。F越小，成員樹(shù)之間的相關(guān)性越弱。

集成學(xué)習(xí)對(duì)于弱分類器有提升效果，保證了成員分類器之間具有一定的差異性。本文設(shè)計(jì)隨機(jī)代價(jià)敏感矩陣向量，以提升成員分類器的差異性。設(shè)λ為均勻分布，記為λ～U(1/a,a)(a>1)，隨機(jī)代價(jià)矩陣表示為：

(2)

針對(duì)每一個(gè)成員分類器產(chǎn)生一個(gè)隨機(jī)代價(jià)矩陣，從而形成隨機(jī)代價(jià)向量。隨機(jī)代價(jià)向量表示為：

CV={cv1,cv2,…,cvm}

(3)

本文所提算法RCV-RF算法流程如下

算法1，RCV-RF

輸入:訓(xùn)練樣本集X=[x1,x2,…,xn]

步驟1從訓(xùn)練集X中，采用booststrap方法有放回地隨機(jī)抽取m個(gè)樣本集，構(gòu)成新的樣本集X={X1,X2,…,Xm}。

步驟2引入隨機(jī)代價(jià)敏感向量CV，設(shè)置每個(gè)子樹(shù)訓(xùn)練的代價(jià)敏感矩陣。

步驟3設(shè)n個(gè)特征，則在每一棵樹(shù)的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取F個(gè)特征，進(jìn)行節(jié)點(diǎn)分裂。

步驟4將生成的多棵樹(shù)組成隨機(jī)森林。

2.2 融合函數(shù)

通過(guò)訓(xùn)練產(chǎn)生m個(gè)成員分類器，在模型決策時(shí)，需要將每個(gè)成員分類器預(yù)測(cè)的結(jié)果進(jìn)行融合，輸出一個(gè)評(píng)分。信用評(píng)分可以表示為多個(gè)成員分類器中認(rèn)為是好客戶的占比。信用評(píng)分可以表示為：

(4)

式中：Cj(x)為第j個(gè)成員分類器預(yù)測(cè)的結(jié)果，δ(·)為指示函數(shù)，如果Cj(x)輸出等于good為1，否則為0。

信用評(píng)分是由多個(gè)分類器投票產(chǎn)生，可能造成低分段和高分段的人數(shù)聚集過(guò)多，中間分段的人數(shù)過(guò)少。遇到這種情況，可以通過(guò)調(diào)大均勻分布的范圍來(lái)達(dá)到分值覆蓋人數(shù)相對(duì)均勻的目的。

3 實(shí)驗(yàn)對(duì)比

本文采用的數(shù)據(jù)包含兩部分，一部分是使用過(guò)信用產(chǎn)品的客戶信息及還款情況，另一部分是相關(guān)客戶在銀聯(lián)渠道的交易數(shù)據(jù)。本文只采集借款之前的交易數(shù)據(jù)，借款之后的交易數(shù)據(jù)不參與建模。模型用于客戶申請(qǐng)貸款的資格核準(zhǔn)?？蛻艚栀J的場(chǎng)景為互聯(lián)網(wǎng)消費(fèi)金融，用戶通過(guò)手機(jī)認(rèn)證，無(wú)抵押貸款，貸款數(shù)額在3 000～15 000之間。

由于逾期的時(shí)間不同，所以“壞”可以是不同程度的，從拖延少于15天，15天到30天，一直到30天以上?！皦摹笨蛻魹橛馄诔^(guò)30天的客戶，“好”客戶為逾期小于3天的客戶。數(shù)據(jù)集中有2 643個(gè)壞客戶，34 028個(gè)好客戶，客戶使用信用產(chǎn)品的時(shí)間在3～8月份之間。

本文依據(jù)時(shí)間將數(shù)據(jù)集分為訓(xùn)練集與測(cè)試集，3～6月為訓(xùn)練集，訓(xùn)練集用于訓(xùn)練信用模型，7～8月份客戶測(cè)試集用于評(píng)估模型的效果。

表1 訓(xùn)練集與測(cè)試集大小

為評(píng)估特征計(jì)算方法有效性，采用IV值作為評(píng)價(jià)指標(biāo)，對(duì)一些典型的特征做分析。為了比較提出的算法RCV-RF優(yōu)劣性，本文選擇對(duì)比的算法有RF，GBDT，Adaboost。采用ROC、AUC、K-S作為評(píng)價(jià)指標(biāo)，對(duì)比算法結(jié)果。

3.1 特征分析

前文中提到，課題通過(guò)不同的方法，計(jì)算信用相關(guān)的特征變量，從而構(gòu)造用戶畫(huà)像。本節(jié)首先分析一些典型的用戶畫(huà)像特征。

從表2可以看出，交易行為，消費(fèi)金額的特征對(duì)于逾期風(fēng)險(xiǎn)有著較強(qiáng)的相關(guān)性。往往消費(fèi)金額越大，在消費(fèi)金融信貸產(chǎn)品上逾期的風(fēng)險(xiǎn)就會(huì)越低。經(jīng)常出現(xiàn)刷卡余額不足的情況，說(shuō)明了客戶缺乏對(duì)資金管理的意識(shí)，潛在地提升了逾期的風(fēng)險(xiǎn)。這些特征對(duì)于好壞客戶有著較為明顯的區(qū)分度，并且絕大部分特征對(duì)于壞客戶占比都呈現(xiàn)單調(diào)性。為本文后續(xù)建模提供了有力的支持。依據(jù)IV值和相關(guān)性等方法，特征選擇出115維特征。

表2 部分特征的IV值

3.2 實(shí)驗(yàn)結(jié)果對(duì)比

本文選擇了GBDT、RF、Adaboost三種經(jīng)典的集成學(xué)習(xí)算法作為比較算法，所有算法均采用上文計(jì)算篩選所得特征集，使用3～6月份的數(shù)據(jù)做訓(xùn)練，7～8月份數(shù)據(jù)做測(cè)試，且使用相同的數(shù)據(jù)集訓(xùn)練與評(píng)估。如表3所示。

表3 模型的KS值對(duì)比

如圖1所示，是本文算法和常用集成學(xué)習(xí)算法的ROC對(duì)比圖。從圖中可以看出，本文所提算法RCV-RF的AUC值為0.70略高于RF，GBDT算法，Adaboost算法效果與其他三種算法效果差距明顯。通過(guò)KS值比較，RCV-RF算法亦優(yōu)于其他算法。

圖1 模型效果ROC圖

4 結(jié) 語(yǔ)

本文基于銀行卡的交易數(shù)據(jù)，針對(duì)互聯(lián)網(wǎng)消費(fèi)信貸場(chǎng)景進(jìn)行分析，提取有效的特征集，建立一個(gè)用于信用評(píng)估的模型，并通過(guò)與其他常用算法對(duì)比，驗(yàn)證本文所提算法的有效性。本文主要分為兩部分。首先，本文通過(guò)三種計(jì)算方式，提取在信用評(píng)估上具價(jià)值的特征變量,構(gòu)建了基于交易數(shù)據(jù)的用戶信用畫(huà)像，這些特征對(duì)于模型訓(xùn)練起到了關(guān)鍵的作用。其次，本文算法通過(guò)引入隨機(jī)代價(jià)敏感向量的方式，增強(qiáng)了成員分類器之間的差異性，并且通過(guò)評(píng)分融合函數(shù)使信用評(píng)分更為合理、有效。

參 考 文 獻(xiàn)

[1] 石勇,孟凡.信用評(píng)分基本理論及其應(yīng)用[J].大數(shù)據(jù),2017(1):19-26.

[2] 陳云,石松,潘彥,等.基于SVM混合集成的信用風(fēng)險(xiǎn)評(píng)估模型[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(4):115-120.

[3] 胡來(lái)豐.基于粗糙集BP神經(jīng)網(wǎng)絡(luò)個(gè)人信用評(píng)估模型[D].電子科技大學(xué),2015.

[4] 葉菁菁,吳斌,董敏.P2P網(wǎng)貸個(gè)人信用評(píng)估國(guó)內(nèi)外研究綜述[J].商業(yè)時(shí)代,2015(31):109-111.

[5] 李孟來(lái).我國(guó)個(gè)人信用評(píng)分模型的應(yīng)用探討[J].金融管理與研究:杭州金融研修學(xué)院學(xué)報(bào),2009(2):52-54.

[6] 馬海英.基于神經(jīng)網(wǎng)絡(luò)及Logistic回歸的混合信用卡評(píng)分模型[J].華東理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2008,23(2):49-52.

[7] 沈翠華,鄧乃揚(yáng),肖瑞彥.基于支持向量機(jī)的個(gè)人信用評(píng)估[J].計(jì)算機(jī)工程與應(yīng)用,2004,40(23):198-199.

[8] 姜明輝,謝行恒,王樹(shù)林,等.個(gè)人信用評(píng)估的Logistic-RBF組合模型[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2007,39(7):1128-1130.

[9] King G,Zeng L.Logistic Regression in Rare Events Data[J].Political Analysis,2001,9(2):137-163.

[10] Shuang C,Wei X.Design and Selection of Construction,Parameters and Training Method of BP Network[J].Computer Engineering,2001,92:336-337.

[11] Osuna E,Freund R,Girosi F.Training svm:An Application to Face Detection[C]//Proceedings of CVPR’97,June 17-19,1997.

[12] Orgler Y E.A Credit Scoring Model for Commercial Loans[J].Journal of Money Credit & Banking,1970,2(4):435-445.

[13] Huang C L,Chen M C,Wang C J.Credit Scoring with A Data mining Approach Based on Support Vector Machines[M].Pergamon Press,Inc.2007.

[14] Chen C,Breiman L.Using Random Forest to Learn Imbalanced Data[J].2004.