韋海蘭　黃杰

關(guān)鍵詞：大數(shù)據(jù)；Flink；Kafka；CatBoost算法

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）21-0049-03

1 概述

大數(shù)據(jù)技術(shù)的快速發(fā)展，給金融業(yè)帶來(lái)了全新的發(fā)展機(jī)遇。大數(shù)據(jù)第三代計(jì)算引擎Apache Flink是一個(gè)基于內(nèi)存的分布式處理框架，可對(duì)無(wú)界和有界數(shù)據(jù)流進(jìn)行所有狀態(tài)計(jì)算，在進(jìn)行實(shí)時(shí)的流計(jì)算方面性能表現(xiàn)優(yōu)異，是Apache軟件基金會(huì)目前最活躍的項(xiàng)目之一，為企業(yè)不同業(yè)務(wù)應(yīng)用場(chǎng)景提供一站式的大數(shù)據(jù)解決方案[1]。金融行業(yè)尤其是銀行具備海量的客戶交易相關(guān)數(shù)據(jù)，在研究與實(shí)施大數(shù)據(jù)具有先天優(yōu)勢(shì)。整合金融單位自身的數(shù)據(jù)資源優(yōu)勢(shì)，從業(yè)務(wù)的不同屬性出發(fā)，在大數(shù)據(jù)平臺(tái)利用機(jī)器學(xué)習(xí)算法，深入發(fā)掘客戶的價(jià)值和潛在的風(fēng)險(xiǎn)信息，對(duì)于提高其經(jīng)營(yíng)管理水平和風(fēng)險(xiǎn)防范能力有重要意義。

2 背景

2.1 信貸逾期預(yù)測(cè)問(wèn)題

當(dāng)銀行收到貸款申請(qǐng)時(shí)，必須根據(jù)申請(qǐng)人的個(gè)人資料做出貸款審批決定。銀行的決策涉及兩種類(lèi)型的風(fēng)險(xiǎn)：一是如果申請(qǐng)人有可能償還貸款，那么不批準(zhǔn)貸款會(huì)導(dǎo)致銀行業(yè)務(wù)損失。二是如果申請(qǐng)人不太可能償還貸款，即他可能違約，那么批準(zhǔn)貸款可能會(huì)給銀行帶來(lái)信貸風(fēng)險(xiǎn)，解決上述問(wèn)題的辦法是使用歷史貸款申請(qǐng)人的信息以及相關(guān)申請(qǐng)信息進(jìn)行分類(lèi)學(xué)習(xí)，識(shí)別出其中的“逾期”模式，據(jù)此做出貸款決策，如拒絕貸款或批準(zhǔn)貸款。

2.2 大數(shù)據(jù)背景下的機(jī)器學(xué)習(xí)

目前傳統(tǒng)機(jī)器學(xué)習(xí)算法的特點(diǎn)主要有：一是樣本獨(dú)立分布、離線、假設(shè)計(jì)算資源不受限制（例如可以把全部訓(xùn)練數(shù)據(jù)加載到主存）；二是訓(xùn)練生成的模型是靜態(tài)的，要想適應(yīng)樣本數(shù)據(jù)的變化就要重新進(jìn)行學(xué)習(xí)。如今，各種新興的大數(shù)據(jù)應(yīng)用如醫(yī)療信息學(xué)和軍事應(yīng)用、智能信息檢索、自動(dòng)駕駛等，通過(guò)數(shù)量不斷增長(zhǎng)的智能設(shè)備生成大量分布式數(shù)據(jù)。大多數(shù)情況下，這些數(shù)據(jù)是瞬時(shí)的，甚至可能不會(huì)永久存儲(chǔ)。傳統(tǒng)離線型的機(jī)器學(xué)習(xí)算法已不適應(yīng)大數(shù)據(jù)背景下樣本不斷變化的機(jī)器學(xué)習(xí)任務(wù)。

利用Apache Flink流計(jì)算引擎進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練，一是可以進(jìn)行在線實(shí)時(shí)計(jì)算，充分利用計(jì)算資源；二是可以進(jìn)行動(dòng)態(tài)模型計(jì)算，在線實(shí)時(shí)增量學(xué)習(xí)、更新模型狀態(tài)。目前已有許多Flink實(shí)時(shí)流計(jì)算引擎用戶畫(huà)像系統(tǒng)[2]、分布式實(shí)時(shí)推薦算法[3]、風(fēng)險(xiǎn)評(píng)估系統(tǒng)[4-5]等場(chǎng)景的應(yīng)用。Apache Flink已提供了Flink平臺(tái)機(jī)器學(xué)習(xí)庫(kù)FlinkML，已經(jīng)實(shí)現(xiàn)了基礎(chǔ)的機(jī)器學(xué)習(xí)算法，如Kmeans算法、邏輯回歸算法和SVC算法等。本文利用CatBoost算法實(shí)現(xiàn)大數(shù)據(jù)背景下的信貸逾期預(yù)測(cè)問(wèn)題。

3 應(yīng)用架構(gòu)設(shè)計(jì)及系統(tǒng)流程

3.1 應(yīng)用架構(gòu)設(shè)計(jì)

本系統(tǒng)基于貸款實(shí)時(shí)數(shù)據(jù)采用rest-framework體系結(jié)構(gòu)開(kāi)發(fā)，貸款數(shù)據(jù)通過(guò)maxwell實(shí)時(shí)傳輸?shù)絢afka 主題中，F(xiàn)link實(shí)時(shí)流計(jì)算引擎實(shí)時(shí)讀取kafka主題中的數(shù)據(jù)，再調(diào)用DataStream算子處理數(shù)據(jù)流后保存至MySQL中，并利用機(jī)器學(xué)習(xí)算法CatBoost訓(xùn)練數(shù)據(jù)建立預(yù)測(cè)模型，最后應(yīng)用服務(wù)器調(diào)用模型接口得到實(shí)時(shí)貸款申請(qǐng)信息的預(yù)測(cè)結(jié)果，并進(jìn)行可視化展示。應(yīng)用架構(gòu)如圖1所示。

3.2 系統(tǒng)框架流程

基于大數(shù)據(jù)的信貸逾期預(yù)測(cè)計(jì)算流程可分為：數(shù)據(jù)獲取及預(yù)處理、模型數(shù)據(jù)的轉(zhuǎn)換、模型訓(xùn)練和模型預(yù)測(cè)，如圖2所示：

4 系統(tǒng)框架的設(shè)計(jì)與實(shí)現(xiàn)

銀行向“有風(fēng)險(xiǎn)”的申請(qǐng)人發(fā)放貸款是信貸損失的最大來(lái)源。信貸損失是指當(dāng)借款人拒絕還款或帶著欠款逃跑時(shí)，貸款人損失的金額。違約的借款人給貸款人造成的損失最大。如果能夠識(shí)別出這些有風(fēng)險(xiǎn)的貸款申請(qǐng)人，就可以減少信貸損失。通過(guò)機(jī)器學(xué)習(xí)有利于挖掘貸款違約背后的驅(qū)動(dòng)因素，進(jìn)一步識(shí)別出有風(fēng)險(xiǎn)的申請(qǐng)人。

4.1 樣本數(shù)據(jù)結(jié)構(gòu)的設(shè)計(jì)

本文以天池金融風(fēng)控-貸款違約預(yù)測(cè)賽大賽中提供的信貸數(shù)據(jù)作為樣本數(shù)據(jù)，選取部分特征進(jìn)行模型訓(xùn)練，刪除了部分與模型不相關(guān)的、對(duì)一組高度相關(guān)的特征進(jìn)行去重。研究貸款申請(qǐng)人的數(shù)據(jù)，預(yù)測(cè)是否可能違約，以此決定是否通過(guò)貸款。具體步驟如下：

4.2 數(shù)據(jù)預(yù)處理

通過(guò)Maxwell實(shí)時(shí)數(shù)據(jù)管道獲取MySQL中更新及變化的數(shù)據(jù)，傳入Kafka主題中，F(xiàn)link連接集群環(huán)境創(chuàng)建Kafka消費(fèi)者讀取Kafka主題中的數(shù)據(jù)，把數(shù)據(jù)轉(zhuǎn)換成JsonObject類(lèi)型，再調(diào)用DataStream算子對(duì)數(shù)據(jù)流做處理，比如去除重復(fù)值、異常值處理和特征轉(zhuǎn)換等，最后再創(chuàng)建一個(gè)kafka生產(chǎn)者把DataStream算子處理后的數(shù)據(jù)保存到Kafka主題中。

4.3 CatBoost 算法應(yīng)用

4.3.1 模型管理

模型管理模塊主要包括模型訓(xùn)練和模型上傳兩部分，實(shí)現(xiàn)步驟主要如下：

1） 從數(shù)據(jù)管理模塊獲取通過(guò)特征工程篩選下來(lái)的特征數(shù)據(jù)。

2） 設(shè)置機(jī)器學(xué)習(xí)參數(shù)，通過(guò)CatBoost算法訓(xùn)練模型，查看測(cè)試集AUC，根據(jù)預(yù)測(cè)結(jié)果決定是否保留當(dāng)前模型。

3） 上傳審核通過(guò)的模型，將模型信息加入模型信息表中，前端頁(yè)面可查看模型信息列表。

4） 在Django后端加載模型，調(diào)用當(dāng)前模型進(jìn)行逾期預(yù)測(cè)。模型使用的測(cè)試集的AUC為0.7385。

4.3.2 模型預(yù)測(cè)和結(jié)果可視化

可使用貸款預(yù)測(cè)功能來(lái)預(yù)測(cè)本次貸款是否有信用風(fēng)險(xiǎn)，從而判斷是否批準(zhǔn)這次貸款，主要實(shí)現(xiàn)步驟如下：

1） 錄入用戶數(shù)據(jù)保存至oAuth_credituser（信貸用戶表）中。

2） 通過(guò)貸款逾期預(yù)測(cè)模塊進(jìn)行預(yù)測(cè)。

3） Django會(huì)把預(yù)測(cè)結(jié)果上傳到前端。

4） 通過(guò)預(yù)測(cè)結(jié)果來(lái)決定是否批準(zhǔn)這次貸款。

5 系統(tǒng)運(yùn)行效果展示

5.1 用戶管理

系統(tǒng)管理員可以添加用戶、修改用戶信息、搜索用戶和刪除用戶，如圖6所示：

5.2 批量上傳信貸數(shù)據(jù)

系統(tǒng)管理員可以選擇上傳文件的格式，比如Ex?cel、csv或txt等格式的文件，然后選擇導(dǎo)入文件即可上傳信貸數(shù)據(jù)，如圖7所示：

5.3 逾期預(yù)測(cè)結(jié)果可視化

單擊逾期預(yù)測(cè)按鈕，右上角會(huì)彈出預(yù)測(cè)的結(jié)果。如果是0，則代表當(dāng)前貸款數(shù)據(jù)信息沒(méi)有逾期的風(fēng)險(xiǎn)；如果是1，則代表當(dāng)前用戶有逾期的風(fēng)險(xiǎn)。如圖8 所示：

6 結(jié)束語(yǔ)

隨著Flink技術(shù)在智能金融領(lǐng)域的落地生根，給大數(shù)據(jù)技術(shù)在金融領(lǐng)域帶來(lái)更廣闊的應(yīng)用前景和充足的發(fā)展動(dòng)力。大數(shù)據(jù)技術(shù)與智能金融領(lǐng)域融合發(fā)展，其應(yīng)用場(chǎng)景也將愈發(fā)豐富，例如典型的場(chǎng)景有金融風(fēng)控、金融客戶畫(huà)像等。本文應(yīng)用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)了信貸逾期風(fēng)險(xiǎn)的預(yù)測(cè)，在今后的研究中會(huì)根據(jù)評(píng)估模型的預(yù)測(cè)效果進(jìn)行參數(shù)調(diào)優(yōu)，提高預(yù)測(cè)效果，并應(yīng)用更多的機(jī)器學(xué)習(xí)算法開(kāi)發(fā)更多的金融智能模型，實(shí)現(xiàn)更豐富的功能。