姜雪瑩，秦 進(jìn)

(中國(guó)科學(xué)技術(shù)大學(xué) 管理學(xué)院，合肥 230026)

1 引言

P2P借貸是指?jìng)€(gè)人用戶之間借助專(zhuān)業(yè)的互聯(lián)網(wǎng)借貸平臺(tái)進(jìn)行的小額借貸交易.近年來(lái)，P2P借貸行業(yè)在中國(guó)發(fā)展迅猛，網(wǎng)貸之家的數(shù)據(jù)顯示，2017年國(guó)內(nèi)P2P借貸交易額達(dá)2.8 萬(wàn)億元，較2016年增長(zhǎng)超過(guò)40%，活躍投資人數(shù)達(dá)440 萬(wàn)人.為維持行業(yè)健康發(fā)展，需進(jìn)行有效的風(fēng)險(xiǎn)控制.

借款人信用風(fēng)險(xiǎn)是指借款人未在約定期限內(nèi)還本付息的風(fēng)險(xiǎn)，即違約風(fēng)險(xiǎn)，由于P2P借貸不經(jīng)由傳統(tǒng)金融機(jī)構(gòu)，個(gè)體投資者在面臨信息不對(duì)稱(chēng)問(wèn)題的同時(shí)缺乏規(guī)避風(fēng)險(xiǎn)的專(zhuān)業(yè)能力，因此，如何合理評(píng)估借款人信用風(fēng)險(xiǎn)是一個(gè)重要的研究問(wèn)題[1].信用風(fēng)險(xiǎn)評(píng)估問(wèn)題旨在預(yù)測(cè)借款項(xiàng)目的違約概率.對(duì)于已到達(dá)還款期限的項(xiàng)目，稱(chēng)未按時(shí)還本付息的項(xiàng)目為違約項(xiàng)目，違約概率記為1，按時(shí)還本付息的項(xiàng)目為不違約項(xiàng)目，違約概率記為0.將項(xiàng)目違約概率作為被解釋變量，從到達(dá)還款期限的項(xiàng)目數(shù)據(jù)中訓(xùn)練得到回歸模型，可預(yù)測(cè)新發(fā)布的借款項(xiàng)目的違約概率，從而為平臺(tái)管理與投資者投資提供參考.

為解決P2P借貸的信用風(fēng)險(xiǎn)評(píng)估問(wèn)題，諸多機(jī)器學(xué)習(xí)算法被用于預(yù)測(cè)借款項(xiàng)目的違約概率，研究表明隨機(jī)森林(Random Forest)[2]，神經(jīng)網(wǎng)絡(luò)(Neural Network)[3]、梯度提升樹(shù)(GBDT)[4]等算法具有較高的預(yù)測(cè)準(zhǔn)確度.由于P2P借貸信用風(fēng)險(xiǎn)評(píng)估問(wèn)題涉及的借款項(xiàng)目特征復(fù)雜，且呈非線性關(guān)系，在不同的數(shù)據(jù)環(huán)境下，運(yùn)用單一算法會(huì)受到不同數(shù)據(jù)特征的干擾[5].而多種算法之間分析數(shù)據(jù)特征的角度存在差異，通過(guò)將多種算法進(jìn)行集成，能夠達(dá)成互補(bǔ)，使集成效果優(yōu)于單一算法[6].Xia 等提出，將優(yōu)質(zhì)算法引入集成模型中，有助于提升模型預(yù)測(cè)的準(zhǔn)確度[5].因此，考慮對(duì)多種優(yōu)質(zhì)信用風(fēng)險(xiǎn)評(píng)估模型進(jìn)行集成.群決策是使群體中個(gè)體觀點(diǎn)達(dá)成一致的決策過(guò)程[7]，在諸多領(lǐng)域中得到廣泛應(yīng)用[8，9].本文基于群決策思想，選取在P2P借貸信用風(fēng)險(xiǎn)評(píng)估問(wèn)題中表現(xiàn)優(yōu)異的隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、梯度提升樹(shù)算法，分別構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型，并運(yùn)用群決策方法對(duì)以上三個(gè)模型進(jìn)行集成，通過(guò)各模型間的優(yōu)勢(shì)互補(bǔ)，為P2P借貸信用風(fēng)險(xiǎn)評(píng)估提供更為準(zhǔn)確的方法.為驗(yàn)證模型效果，選取人人貸、拍拍貸數(shù)據(jù)進(jìn)行實(shí)證研究.

2 基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估算法及模型構(gòu)建

一個(gè)群體中，每個(gè)個(gè)體對(duì)于特定事件均有自己的主觀觀點(diǎn)，使群體中個(gè)體觀點(diǎn)達(dá)成一致的決策過(guò)程，稱(chēng)為群決策.在群決策過(guò)程中，每個(gè)個(gè)體在其他個(gè)體觀點(diǎn)的基礎(chǔ)上對(duì)自身觀點(diǎn)進(jìn)行修正，在一系列迭代修正后，群體中所有個(gè)體觀點(diǎn)趨于一致且不再變動(dòng)，從而形成群體的觀點(diǎn).運(yùn)用群決策方法構(gòu)建P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型，具有以下特性:第一，交互性，群體中所有個(gè)體間通過(guò)觀點(diǎn)的交互影響，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)；第二，動(dòng)態(tài)性，群決策過(guò)程針對(duì)不同樣本獨(dú)立進(jìn)行，從而對(duì)不同情況形成更有針對(duì)性的結(jié)論；第三，異質(zhì)性，運(yùn)用群決策方法，能夠?qū)崿F(xiàn)不同種類(lèi)算法間的集成.

2.1 基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估集成算法

在群決策過(guò)程中，個(gè)體的主觀觀點(diǎn)會(huì)受到其他個(gè)體的影響而發(fā)生改變，從而令群體中所有個(gè)體的觀點(diǎn)達(dá)成一致[10].假設(shè)現(xiàn)有N個(gè)信用風(fēng)險(xiǎn)評(píng)估模型M1,M2,···,MN，分別運(yùn)用不同的機(jī)器學(xué)習(xí)算法從訓(xùn)練數(shù)據(jù)中產(chǎn)生，稱(chēng)為個(gè)體學(xué)習(xí)器.第i個(gè)個(gè)體學(xué)習(xí)器Mi對(duì)測(cè)試集中借款項(xiàng)目違約概率的預(yù)測(cè)值為Pi.構(gòu)建基于群決策的集成模型，關(guān)鍵在于衡量個(gè)體學(xué)習(xí)器Mi的預(yù)測(cè)值Pi受到其余個(gè)體學(xué)習(xí)器預(yù)測(cè)值的影響.

其中，wi j表示個(gè)體學(xué)習(xí)器Mj對(duì)個(gè)體學(xué)習(xí)器Mi的影響權(quán)重，.設(shè)W為N?N大小的矩陣，矩陣中的元素為wij(i=1,···,N,j=1,···,N)，P?=(,···,)′，P=(P1,···,PN)′，則:

為使所有個(gè)體學(xué)習(xí)器的修正預(yù)測(cè)值達(dá)成一致，需迭代進(jìn)行式(2)所示修正過(guò)程，直至所有個(gè)體學(xué)習(xí)器的修正預(yù)測(cè)值保持一致且不再變動(dòng).由于W是N?N的轉(zhuǎn)移矩陣，可將其視為馬爾科夫鏈的一步轉(zhuǎn)移概率矩陣.因此，所有個(gè)體學(xué)習(xí)器的修正預(yù)測(cè)值達(dá)成一致，當(dāng)且僅當(dāng)存在向量π=(π1,···,πN)，滿足:

解出向量π的值，最終得到所有個(gè)體學(xué)習(xí)器的集成結(jié)果R:

集成結(jié)果R即為集成模型對(duì)借款項(xiàng)目違約概率的預(yù)測(cè)值.

上述過(guò)程中，一個(gè)重要的問(wèn)題是如何獲取個(gè)體學(xué)習(xí)器Mj對(duì)個(gè)體學(xué)習(xí)器Mi的影響權(quán)重wij.參考Basir 等[11]的研究，設(shè)置個(gè)體學(xué)習(xí)器的不確定度，將不確定度分為兩種類(lèi)型:局部不確定度和全局不確定度.其中，局部不確定度衡量的是個(gè)體學(xué)習(xí)器自身決策不確定的程度，全局不確定度衡量的是個(gè)體學(xué)習(xí)器在受到另一個(gè)個(gè)體學(xué)習(xí)器的影響時(shí)決策的不確定程度.

個(gè)體學(xué)習(xí)器Mi的違約概率預(yù)測(cè)值為Pi，則不違約概率預(yù)測(cè)值為1-Pi.記個(gè)體學(xué)習(xí)器Mi的局部不確定度為Ui|i，Ui|i滿足:

當(dāng)Pi趨向0 或1時(shí)，個(gè)體學(xué)習(xí)器Mi對(duì)借款項(xiàng)目違約與否的判定清晰，此時(shí)不確定度Ui|i趨向于0.當(dāng)Pi趨向0.5時(shí)，個(gè)體學(xué)習(xí)器Mi對(duì)借款項(xiàng)目違約與否的判定近似隨機(jī)，此時(shí)不確定度Ui|i趨向于1.因此，局部不確定度Ui|i能夠反映個(gè)體學(xué)習(xí)器自身決策不確定的程度.

記已知個(gè)體學(xué)習(xí)器Mj的違約概率預(yù)測(cè)值的情況下，個(gè)體學(xué)習(xí)器Mi的違約概率預(yù)測(cè)值為Pi|j，則不違約概率預(yù)測(cè)值為1-Pi|j.記個(gè)體學(xué)習(xí)器Mi的全局不確定度為Ui|j，Ui|j滿足:

與局部不確定度類(lèi)似，全局不確定度Ui|j能夠反映個(gè)體學(xué)習(xí)器在受到另一個(gè)個(gè)體學(xué)習(xí)器的影響時(shí)決策的不確定程度.

Pi|j表示的是個(gè)體學(xué)習(xí)器Mi在個(gè)體學(xué)習(xí)器Mj影響下的違約概率預(yù)測(cè)值，取Pi|j為Pi與Pj的線性組合，即:

取Ii|j為sigmoid 函數(shù)，即:

其中，Acci為個(gè)體學(xué)習(xí)器Mi的預(yù)測(cè)準(zhǔn)確率.

求得局部不確定度與全局不確定度后，希望給不確定度低的個(gè)體學(xué)習(xí)器分配較高的權(quán)重，給不確定度高的個(gè)體學(xué)習(xí)器分配較低的權(quán)重.因此，設(shè)置規(guī)劃問(wèn)題，

其中，wi j是個(gè)體學(xué)習(xí)器Mj對(duì)個(gè)體學(xué)習(xí)器Mi的影響權(quán)重.采用拉格朗日乘子法，令:

求Li對(duì)wi j的偏導(dǎo)并令結(jié)果等于0，結(jié)合，得到wi j的 表達(dá)式:

由此獲取個(gè)體學(xué)習(xí)器Mj對(duì)個(gè)體學(xué)習(xí)器Mi的影響權(quán)重wi j，隨后根據(jù)式(3)、(4)，即可得到所有個(gè)體學(xué)習(xí)器的集成結(jié)果R.

2.2 基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型構(gòu)建過(guò)程

假設(shè)現(xiàn)有N種機(jī)器學(xué)習(xí)算法，基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型的構(gòu)建過(guò)程，描述如下:

(1)分別運(yùn)用N種機(jī)器學(xué)習(xí)算法，在訓(xùn)練數(shù)據(jù)中訓(xùn)練出個(gè)體學(xué)習(xí)器M1,M2,···,MN，并得到個(gè)體學(xué)習(xí)器的預(yù)測(cè)準(zhǔn)確率Acc1,···,AccN.

(2)應(yīng)用個(gè)體學(xué)習(xí)器M1,M2,···,MN，對(duì)測(cè)試集中借款項(xiàng)目的違約概率進(jìn)行預(yù)測(cè)，預(yù)測(cè)值為P1,…,PN.

(3)運(yùn)用式(5)求得個(gè)體學(xué)習(xí)器的局部不確定度，運(yùn)用式(6)-(8)求得個(gè)體學(xué)習(xí)器的全局不確定度.

(4)運(yùn)用式(11)求得權(quán)重wi j(i=1,···,N,j=1,···,N).

(5)將wi j代入式(3)，解得向量π的值.

(6)運(yùn)用式(4)，最終得到所有個(gè)體學(xué)習(xí)器的集成結(jié)果R.

集成結(jié)果R表示集成模型對(duì)借款項(xiàng)目違約概率的預(yù)測(cè)，若R＞0.5，預(yù)測(cè)借款項(xiàng)目違約，若R≤0.5，預(yù)測(cè)借款項(xiàng)目不違約.

2.3 個(gè)體學(xué)習(xí)器描述

選取隨機(jī)森林(Random Forest)、神經(jīng)網(wǎng)絡(luò)(Neural Network)、梯度提升樹(shù)(GBDT)三種機(jī)器學(xué)習(xí)算法，分別構(gòu)建回歸模型，作為群決策集成模型的個(gè)體學(xué)習(xí)器.在P2P借貸信用風(fēng)險(xiǎn)評(píng)估問(wèn)題中，以P2P借貸借款項(xiàng)目數(shù)據(jù)集作為個(gè)體學(xué)習(xí)器的訓(xùn)練數(shù)據(jù)集，選取借款項(xiàng)目及借款人的信息作為回歸模型的解釋變量，借款項(xiàng)目違約概率作為回歸模型的被解釋變量，由此構(gòu)建的回歸模型，能夠用于新發(fā)布的借款項(xiàng)目的違約概率預(yù)測(cè).以下是對(duì)隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、梯度提升樹(shù)三種算法的簡(jiǎn)要介紹.

2.3.1 隨機(jī)森林

隨機(jī)森林(Random Forest)是解決回歸問(wèn)題常用的算法，它以一系列未剪枝的決策樹(shù)作為基學(xué)習(xí)器，在構(gòu)建bagging 集成的基礎(chǔ)上，于決策樹(shù)的訓(xùn)練過(guò)程中引入變量的隨機(jī)選擇思想[12].決策樹(shù)的訓(xùn)練過(guò)程是特征空間的遞歸分區(qū)過(guò)程，在每個(gè)非葉節(jié)點(diǎn)，決策樹(shù)從當(dāng)前節(jié)點(diǎn)的變量集合中選取最優(yōu)變量對(duì)數(shù)據(jù)集進(jìn)行劃分.而在隨機(jī)森林中，決策樹(shù)每個(gè)節(jié)點(diǎn)的最優(yōu)變量是從變量集合的一個(gè)隨機(jī)子集中選取的.隨機(jī)森林中的決策樹(shù)，建立在用bootstrap 采樣法從訓(xùn)練集中選取的樣本集合上.在基于不同采樣集構(gòu)建一系列決策樹(shù)后，隨機(jī)森林采用平均法對(duì)決策樹(shù)輸出的結(jié)果進(jìn)行整合.隨機(jī)森林能夠快速并行地處理高維度的數(shù)據(jù)，在P2P借貸信用風(fēng)險(xiǎn)評(píng)估中，借款項(xiàng)目及借款人的特征數(shù)量較多，運(yùn)用隨機(jī)森林能夠減輕特征選擇的負(fù)擔(dān)，對(duì)特征進(jìn)行綜合分析.同時(shí)，隨機(jī)森林對(duì)于缺失數(shù)據(jù)具有較強(qiáng)的抗干擾能力，在P2P借貸中，存在借款人信息不全的情況，而隨機(jī)森林能夠在數(shù)據(jù)缺失的環(huán)境下得出較為準(zhǔn)確的結(jié)果.

2.3.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)(Neural Network)是模擬生物神經(jīng)網(wǎng)絡(luò)構(gòu)建的并行交互系統(tǒng)，它具有多種學(xué)習(xí)算法，其中使用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的單隱層前饋神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱(chēng)BP神經(jīng)網(wǎng)絡(luò))，是最具有代表性的神經(jīng)網(wǎng)絡(luò)算法之一.BP神經(jīng)網(wǎng)絡(luò)分為三層:輸入層、隱層、輸出層，每一層由若干神經(jīng)元構(gòu)成，且每層神經(jīng)元與下一層所有神經(jīng)元相互連接.輸入層神經(jīng)元接收外界輸入，并將信號(hào)傳遞至隱層.隱層神經(jīng)元接收到上層神經(jīng)元輸出值的加權(quán)平均，將其與閾值相比較，并通過(guò)激活函數(shù)產(chǎn)生神經(jīng)元輸出，傳遞至輸出層.輸出層同樣進(jìn)行信號(hào)加工，并生成最終的輸出值.神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程，就是確定神經(jīng)元間連接權(quán)重以及神經(jīng)元閾值的過(guò)程.根據(jù)神經(jīng)網(wǎng)絡(luò)輸出值的誤差，基于梯度下降策略，可以對(duì)參數(shù)進(jìn)行調(diào)整，并重新進(jìn)行加權(quán)平均，如此進(jìn)行迭代學(xué)習(xí)，直至誤差處于允許范圍之內(nèi)，即可得到最終的神經(jīng)網(wǎng)絡(luò)模型[13].神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，能夠擬合P2P借貸中借款項(xiàng)目及借款人的信息與借款項(xiàng)目違約概率間的非線性關(guān)系.同時(shí)，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)與自適應(yīng)的能力，在P2P借貸借款項(xiàng)目信息多樣化的情況下，神經(jīng)網(wǎng)絡(luò)對(duì)新產(chǎn)生的借款項(xiàng)目具有較好的解釋能力.

2.3.3 梯度提升樹(shù)

梯度提升樹(shù)(GBDT)是一種重要的boosting 算法，以分類(lèi)回歸樹(shù)(CART)作為弱學(xué)習(xí)器，通過(guò)迭代將若干弱學(xué)習(xí)器集成為一個(gè)強(qiáng)學(xué)習(xí)器.GBDT 采用了前向分布算法，其核心思想是，每一輪迭代中構(gòu)建的弱學(xué)習(xí)器，建立在前一輪迭代集成的強(qiáng)學(xué)習(xí)器的損失函數(shù)的梯度下降方向.構(gòu)建GBDT模型，首先要根據(jù)初始訓(xùn)練集訓(xùn)練一個(gè)基學(xué)習(xí)器f1(x)，隨后進(jìn)行以下迭代過(guò)程.假設(shè)前一輪迭代得到的強(qiáng)學(xué)習(xí)器為ft-1(x)，損失函數(shù)為L(zhǎng)(y,ft-1(x))，本輪迭代的目標(biāo)是尋找弱學(xué)習(xí)器ht(x)，使得 本輪迭代得到的強(qiáng)學(xué)習(xí)器ft(x)=ft-1(x)+ht(x)滿足損失函數(shù)L(y,ft(x))最小化.由于損失函數(shù)的負(fù)梯度可作為損失的近似值，因此通過(guò)構(gòu)造決策樹(shù)對(duì)損失函數(shù)的負(fù)梯度進(jìn)行擬合即可得到弱學(xué)習(xí)器ht(x).GBDT 可以靈活處理多種類(lèi)型的數(shù)據(jù)，對(duì)于異常值的魯棒性較強(qiáng)，在P2P借貸較為復(fù)雜的數(shù)據(jù)環(huán)境下，GBDT 具有較高的預(yù)測(cè)準(zhǔn)確率.

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及變量描述

選取中國(guó)具有代表性的兩家P2P 平臺(tái)人人貸與拍拍貸的數(shù)據(jù)，對(duì)基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型的效果進(jìn)行實(shí)驗(yàn)驗(yàn)證.其中，從人人貸選取2012年1月至2015年12月間發(fā)布的借款項(xiàng)目15 912個(gè)，從拍拍貸選取2015年1月到2017年1月間發(fā)布的借款項(xiàng)目50 167個(gè).將借款項(xiàng)目的違約概率作為被解釋變量，兩個(gè)平臺(tái)借款項(xiàng)目的違約狀況分布如表1所示.

表1 人人貸、拍拍貸借款項(xiàng)目違約狀況分布

從平臺(tái)提供的信息中選取解釋變量，解釋變量分為三類(lèi):借款項(xiàng)目信息、借款人身份信息、借款人歷史借款信息.表2 展示了從人人貸與拍拍貸提供的信息中篩選出的解釋變量.

表2 人人貸、拍拍貸解釋變量匯總

3.2 實(shí)驗(yàn)結(jié)果

構(gòu)建群決策集成模型，首先需要運(yùn)用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)及梯度提升樹(shù)算法，分別構(gòu)建三個(gè)信用風(fēng)險(xiǎn)評(píng)估個(gè)體學(xué)習(xí)器.在個(gè)體學(xué)習(xí)器構(gòu)建過(guò)程中，一些重要參數(shù)的設(shè)置對(duì)于個(gè)體學(xué)習(xí)器的預(yù)測(cè)準(zhǔn)確性存在一定影響，需要設(shè)置的參數(shù)包括隨機(jī)森林模型中決策樹(shù)的數(shù)量n，隨機(jī)森林中決策樹(shù)節(jié)點(diǎn)隨機(jī)選擇特征的數(shù)量m，神經(jīng)網(wǎng)絡(luò)隱層中神經(jīng)元的數(shù)量s，神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)d，梯度提升樹(shù)中決策樹(shù)的數(shù)量t.通過(guò)實(shí)驗(yàn)，對(duì)比設(shè)置參數(shù)值不同的情況下模型的預(yù)測(cè)準(zhǔn)確性，可確定參數(shù)值.根據(jù)實(shí)驗(yàn)結(jié)果，取n=500，m=4，s=8，d=200，t=5000.

在構(gòu)建個(gè)體學(xué)習(xí)器后，依據(jù)2.2 節(jié)中基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型構(gòu)建過(guò)程，可以對(duì)個(gè)體學(xué)習(xí)器進(jìn)行集成.將三種個(gè)體學(xué)習(xí)器的結(jié)果與集成結(jié)果進(jìn)行比較，同時(shí)運(yùn)用信用風(fēng)險(xiǎn)評(píng)估的傳統(tǒng)方法邏輯回歸算法構(gòu)建模型作為比較的基準(zhǔn)，驗(yàn)證基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型的效果.

為評(píng)判信用風(fēng)險(xiǎn)評(píng)估模型的預(yù)測(cè)效果，若模型預(yù)測(cè)的借款項(xiàng)目違約概率大于0.5，預(yù)測(cè)借款項(xiàng)目為違約項(xiàng)目，若模型預(yù)測(cè)的借款項(xiàng)目違約概率小于等于0.5，預(yù)測(cè)借款項(xiàng)目為不違約項(xiàng)目.選取五個(gè)指標(biāo)評(píng)判模型的預(yù)測(cè)效果:準(zhǔn)確率、AUC、召回率、精確率、F1 值.準(zhǔn)確率指模型正確預(yù)測(cè)的樣本數(shù)占總樣本數(shù)的比例.AUC 指隨機(jī)挑選一個(gè)違約項(xiàng)目和一個(gè)不違約項(xiàng)目，違約項(xiàng)目預(yù)測(cè)值高于不違約項(xiàng)目預(yù)測(cè)值的概率.召回率指實(shí)際不違約的項(xiàng)目中被正確預(yù)測(cè)為不違約的比例.精確率指被預(yù)測(cè)為不違約的項(xiàng)目中預(yù)測(cè)正確的比例.F1 值是召回率和精確率的調(diào)和平均值，用于綜合召回率和精確率對(duì)模型進(jìn)行評(píng)價(jià).

表3 采用人人貸數(shù)據(jù)構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型結(jié)果

由于拍拍貸平臺(tái)的數(shù)據(jù)存在嚴(yán)重的類(lèi)別不平衡問(wèn)題，即不違約項(xiàng)目的數(shù)據(jù)量遠(yuǎn)大于違約項(xiàng)目的數(shù)據(jù)量.運(yùn)用類(lèi)別不平衡數(shù)據(jù)構(gòu)建模型對(duì)項(xiàng)目違約狀況進(jìn)行預(yù)測(cè)，會(huì)導(dǎo)致大部分違約項(xiàng)目被錯(cuò)誤預(yù)測(cè)為不違約項(xiàng)目，且模型評(píng)判指標(biāo)虛高.因此，在采用拍拍貸數(shù)據(jù)構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型前，運(yùn)用隨機(jī)欠采樣方法，使得訓(xùn)練集中違約項(xiàng)目與不違約項(xiàng)目的比例為1:1，據(jù)此可驗(yàn)證模型在類(lèi)別平衡數(shù)據(jù)下的效果.表4 展示了采用拍拍貸數(shù)據(jù)構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型的結(jié)果.根據(jù)表4 數(shù)據(jù)，群決策集成模型的準(zhǔn)確率、AUC、召回率均高于其余模型，精確率在相比較的模型中也處于較高位置.且綜合精確率與召回率，群決策集成模型的F1 值較其他模型更高.

表4 采用拍拍貸數(shù)據(jù)構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型結(jié)果

4 結(jié)語(yǔ)

基于群決策方法，對(duì)隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、梯度提升樹(shù)三種算法進(jìn)行集成，用于評(píng)估P2P借貸中借款項(xiàng)目的信用風(fēng)險(xiǎn).運(yùn)用群決策方法進(jìn)行集成，能夠通過(guò)不同算法評(píng)估結(jié)果間的相互影響，實(shí)現(xiàn)算法間的優(yōu)勢(shì)互補(bǔ)，從而提升評(píng)估效果.選取人人貸、拍拍貸平臺(tái)的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證.考慮到拍拍貸的數(shù)據(jù)存在嚴(yán)重的類(lèi)別不平衡問(wèn)題，對(duì)拍拍貸數(shù)據(jù)的訓(xùn)練集進(jìn)行隨機(jī)欠采樣，使得訓(xùn)練集達(dá)到類(lèi)別平衡.數(shù)據(jù)研究結(jié)果顯示，集成算法的信用風(fēng)險(xiǎn)評(píng)估效果相比于單一算法有所提升，且優(yōu)于傳統(tǒng)的邏輯回歸算法.因此，基于群決策的P2P借貸信用風(fēng)險(xiǎn)評(píng)估算法，有助于平臺(tái)及投資者更好的識(shí)別風(fēng)險(xiǎn)項(xiàng)目，以便進(jìn)一步提升風(fēng)險(xiǎn)控制能力.