本发明专利技术公开了一种基于支持向量机的P2P网络贷款风险评估模型，包括：（1）数据预处理；（2）建立模型；（3）根据模型给出的结果做出风险评估。通过上述方式，本发明专利技术基于支持向量机的P2P网络贷款风险评估模型具有减少人为因素的影响、客观科学、预测效果更好、准确率更高、减少无关属性、大大减少数据处理量、使预测所需的学习时间更短、对样本数据量要求不高等优点，在基于支持向量机的P2P网络贷款风险评估模型的普及上有着广泛的市场前景。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于支持向量机的P2P网络贷款风险评估模型，包括：（1）数据预处理；（2）建立模型；（3）根据模型给出的结果做出风险评估。通过上述方式，本专利技术基于支持向量机的P2P网络贷款风险评估模型具有减少人为因素的影响、客观科学、预测效果更好、准确率更高、减少无关属性、大大减少数据处理量、使预测所需的学习时间更短、对样本数据量要求不高等优点，在基于支持向量机的P2P网络贷款风险评估模型的普及上有着广泛的市场前景。【专利说明】-种基于支持向量机的P2P网络贷款风险评估模型
本专利技术涉及网络贷款评估模型领域，特别是涉及一种基于支持向量机的P2P网络 贷款风险评估模型。
技术介绍
P2P (Peer-to-Peer)网络借贷是指个人与个人之间的小额无担保借贷，不以银行 等金融机构为中介，直接通过互联网络平台确立借贷关系并完成相关交易手续，实现了"金 融脱媒"，具有贷款门槛低、覆盖面广、信息流通快、交易手续便捷、涉及金额小、借款期限较 短等特点，具有非常大的发展潜力。 而P2P网络贷款存在一定的风险，如何保证所贷出去的款都是能够收回的(贷款 人有能力偿还的)，也就是"风险控制"显得十分重要。那么根据以上贷款人提供的基本信 息，由客观科学的模型方法评估这次贷款的风险等级，从而给出有价值的决策参考信息则 显得异常重要。 但因网络的虚拟性、信息的不对称、平台的风险控制措施不健全等问题，增加了借 款者违约的可能性，导致P2P网络借贷市场的借款违约率偏高，贷款风险难以控制。 目前国内对信用风险评估的研究大多采取定性的方式，很少能对其进行定量分析 与研究。本模型正是根据P2P网络贷款数据高纬度、非线性以及小样本等特点针对性的选 取支持向量机算法，定量评估其贷款风险。 假设一个网络申贷人提供的申贷基本信息如下表格所示： 表1申贷人基本信息表 【权利要求】1. 一种基于支持向量机的P2P网络贷款风险评估模型，其特征在于，包括以下步骤： (1) 数据预处理：从数据库中获取往年P2P贷款记录，进行数据预处理，主要采用主成 分分析技术，即给出每条属性对最终结果的影响程度，选取贡献程度之和大于一定比重的 前几列属性作为主属性； (2) 建立模型：在往年P2P贷款记录的主属性的基础上建立模型， (a) 特征空间映射：为了加强线性可分性，将原来的输入空间映射到一个高维点积空 间，即特征空间， 如果非线性矢量函数g(x) = 将m维输入矢量X映射到1维特征空 间，则特征空间的线性决策函数为： D(x) =Wrg(x)+h (1) 根据Hilaert-Schmiat定理，如果一个对称函数H(x，X，）满足 H(x,X') = >O (2) ?.j-iJ 式⑵中，M为自然数，hphj为实数， 则存在一个映射函数g(x)，能够将X映射到点积特征空间，该映射函数满足H(k,r) =gr(x)g(x')(3) 如果式（2)成立，则式（2)或式（4)称作Mercer条件，满足上述两个式子中的任意一个的函数称为半正定 核函数或Mercer核函数； (b) 利用试探法得到最优参数： 设定C初始值、参考点、变化方向、步长，训练第一个和第二个SVM，i=2， 计算第i次的ASVR， 判断与上次相比变化值是否超出门限， (b. 1)如果结果为"是"，则判断SVR与参考点相比是否下降， (b. 1. 1)如果结果为"否"，则判断参考点的步长是否增加过， (b. 1. 1. 1)如果结果为"是"，则判断参考点的步长是否减小过， (b. 1. 1. 1. 1)如果结果为"是"，则根据步长的范围作出相应修改：如果当前步长大于 1，减小步长；如果小于1，增加步长，求出下一个C的值， (b.I. 1. 1.2)如果结果为"否"，则减小步长，记当前参考点步长减小过，求出下一个C的值， (b.I. 1. 2)如果结果为"否"，则增加步长，记当前参考点步长增加过，并更新参考点为 当前值，求出下一个C的值， (b. 1. 2)如果结果为"是"，则步长不变，变化方向不变，并更新参考点为当前值，求出 下一个C的值， (b. 2)如果结果为"否"，则C、步长、变化方向不变，并更新参考点为当前值， 令i+Ι赋值给i，并返回计算第i次的ASVR，最终获得最优参数； (C)基于核函数的支持向量机分类：利用核函数的优点在于不再需要直接处理高维特 征空间， 采用核函数H(X，X'）代替g(x)，则原来的优化问题转化为： M约束条件为：23?成=0 , 、η. 1μ， 〇>￡%>0, 1=1,…M 由于Η(χ，χ'）是一个半正定核函数，因此，式（5)中优化问题是一个二次凸规划问题， 具有全局最优解， 根据KKT互补条件，可以求得此时分类决策函数为= + 5(6) SS S 其中偏置项a由下式决定(取非边界支持向量平均值）未知数据X分类结果为： 类IgA(X)M) 类 2 若A(X)〈0 若A(x)=0,则X不可分， 将步骤（b)中获得的最优参数带入上述模型获得结果； (3)根据模型给出的结果做出风险评估。2.根据权利要求1所述的基于支持向量机的P2P网络贷款风险评估模型，其特征在于， 步骤（1)中的所述一定比重的数值为90%。【文档编号】G06Q40/02GK104463673SQ201410801984【公开日】2015年3月25日 申请日期:2014年12月22日 优先权日:2014年12月22日 【专利技术者】黄刘生, 戚名钰, 陆潇榕, 杨威, 刘相言, 孙嘉堃, 汪琦 申请人:中国科学技术大学苏州研究院本文档来自技高网...
【技术保护点】
一种基于支持向量机的P2P网络贷款风险评估模型，其特征在于，包括以下步骤：（1）数据预处理：从数据库中获取往年P2P贷款记录，进行数据预处理，主要采用主成分分析技术，即给出每条属性对最终结果的影响程度，选取贡献程度之和大于一定比重的前几列属性作为主属性；（2）建立模型：在往年P2P贷款记录的主属性的基础上建立模型，（a）特征空间映射：为了加强线性可分性，将原来的输入空间映射到一个高维点积空间，即特征空间，如果非线性矢量函数g(x)=[g1(x)，…，gl(x)]将m维输入矢量x映射到l维特征空间，则特征空间的线性决策函数为：（1）根据Hilaert‑Schmiat定理，如果一个对称函数H(x，x,)满足（2）式（2）中，M为自然数，hi，hj为实数,则存在一个映射函数g(x)，能够将x映射到点积特征空间,该映射函数满足（3）如果式（2）成立，则（4）式（2）或式（4）称作Mercer条件,满足上述两个式子中的任意一个的函数称为半正定核函数或Mercer核函数;（b）利用试探法得到最优参数：设定C初始值、参考点、变化方向、步长，训练第一个和第二个SVM，i=2，计算第i次的ASVR，判断与上次相比变化值是否超出门限， （b．1）如果结果为“是”，则判断SVR与参考点相比是否下降， （b．1.1）如果结果为“否”，则判断参考点的步长是否增加过， （b．1.1.1）如果结果为“是”，则判断参考点的步长是否减小过， （b．1.1.1.1）如果结果为“是”，则根据步长的范围作出相应修改：如果当前步长大于1，减小步长；如果小于1，增加步长，求出下一个C的值， （b．1.1.1.2）如果结果为“否”，则减小步长，记当前参考点步长减小过，求出下一个C的值， （b．1.1.2）如果结果为“否”，则增加步长，记当前参考点步长增加过，并更新参考点为当前值，求出下一个C的值， （b．1.2）如果结果为“是”，则步长不变，变化方向不变，并更新参考点为当前值，求出下一个C的值，（b．2）如果结果为“否”，则C、步长、变化方向不变，并更新参考点为当前值，令i+1赋值给i，并返回计算第i次的ASVR，最终获得最优参数；（c）基于核函数的支持向量机分类：利用核函数的优点在于不再需要直接处理高维特征空间，采用核函数H(x,x’)代替g(x)，则原来的优化问题转化为：（5）约束条件为：，，由于H(x,x’)是一个半正定核函数，因此，式（5）中优化问题是一个二次凸规划问题，具有全局最优解,根据KKT互补条件，可以求得此时分类决策函数为（6）其中偏置项a由下式决定（取非边界支持向量平均值）（7）未知数据x分类结果为：类1 若A(x)>0类2 若A(x)<0若A(x)=0，则x不可分，将步骤（b）中获得的最优参数带入上述模型获得结果；（3）根据模型给出的结果做出风险评估。...
【技术特征摘要】
【专利技术属性】
技术研发人员：黄刘生，戚名钰，陆潇榕，杨威，刘相言，孙嘉堃，汪琦，
申请(专利权)人：中国科学技术大学苏州研究院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。