基于XGBoost驱动的海萨尼转换金融决策处理系统技术方案

本发明专利技术属于互联网金融技术领域，公开了一种基于XGBoost驱动的海萨尼转换金融决策处理系统，首先构造出不完全信息互联网贷款信用博弈模型；然后采用统计学习方法度量贷款申请者的信用风险；接着进行信用风险驱动的海萨尼转换；最后基于博弈论和统计学习对互联网金融企业的贷款决策给出建议。本发明专利技术通过信息处理系统可以解决互联网金融中贷款申请者的信用风险度量问题，从而帮助互联网金融企业科学定量地认识贷款申请者，进一步分析他们之间的博弈关系时，可以帮助企业在处理申请贷款时做出正确的贷款决策，并制定出规避或控制风险的应对措施，保持企业健康的发展态势，促进互联网金融的健康稳定发展。

Financial decision processing system of hisani Transformation Driven by xgboost

【技术实现步骤摘要】
基于XGBoost驱动的海萨尼转换金融决策处理系统
本专利技术属于互联网金融
，尤其涉及一种基于XGBoost驱动的海萨尼转换金融决策处理系统。
技术介绍
目前，最接近的现有技术：随着移动互联、云计算、大数据等信息通信技术的突飞猛进，互联网金融快速兴起。互联网金融的出现使得金融机构能够突破时间和地域的约束，在互联网上就能为有融资需要求的客户提供更加快捷的金融服务，通过互联网技术，加快业务的处理速度，已带给客户更好的服务体验。互联网金融的主要发展模式有：众筹、P2P网贷、第三方支付、数字货币、大数据金融、信息化金融机构、金融门户等。其优点主要有：成本低、效率高、覆盖广、发展快，但也存在一些的缺点，比如说风险大、管理弱等。其中风险主要是指网络安全风险和信用风险。网络安全主要是指网络技术方面，黑客侵袭、病毒入侵等，是属于技术层面风险。信用风险是一种复杂的、较难处理的、人与人之间的一种信任关系。由于现阶段我国的信用体系尚不完善，互联网金融的相关法律还有待完善，同时互联网金融也因为信息不对称和违约成本较低等，更容易滋生信用风险。比如，金融机构的某些客户可能到期不会按时还款，而拖欠的贷款和追缴的成本都会影响金融机构的后续经营。因此为了正确认识互联网金融中的贷款申请者，需要对其信用进行度量，从而降低风险。在互联网金融中，互联网金融企业与贷款申请者之间存在一种博弈关系。贷款申请者为了顺利获得贷款金额，可能会隐瞒一些自己的信息，如个人的信用状况，贷款申请者可能拥有一个好的信用，按时偿还贷款和利息；或者贷款申请者的信用差，不能按时偿还贷款和利息。互联网金融企业在面对不同类型的贷款申请者会做出不同的贷款决策，批准好信用的贷款申请者和拒绝坏信用的贷款申请者。由于信息的不对称，互联网金融企业无法准确了解到申请者的贷款信用类型，因此该博弈关系为不完全信息博弈。对于不完全信息博弈，传统的分析方法是通过海萨尼转换，将不完全信息博弈转换为完全但不完美信息博弈进行分析。海萨尼转换核心步骤是引入“自然”，通过“自然”按一定概率分布选择局中人的类型。在互联网金融中的贷款企业与贷款申请者的不完全信息博弈中，采用海萨尼转换时，“自然”需要按概率分布选择贷款申请者的信用类型，那么该概率分布该如何确定呢？如果该贷款申请者是之前有贷过款的人，可以根据其历史记录来确定他的信用概率分布；如果该贷款申请者是一个新的贷款者，无贷款记录，那么他的信用概率分布该如何确定呢？因此，亟需一种信息处理系统以解决海萨尼转换在互联网金融中的应用问题。海萨尼转换：为了分析不完全信息博弈，Harsanyi在1967年提出了海萨尼转换，这是解决不完全信息的重要的传统方法。海萨尼转换的关键步骤是在局中人某些参数不确定的情况下引入了一个虚拟的局中人“自然”，“自然”以一定的概率分布来分配局中人的类型，这可以将不完全信息博弈转换为完全但不完美博弈。对于完全信息博弈可以采用贝叶斯纳什均衡来进行分析。在博弈中，博弈局中人往往会为了获得更高的收益而隐藏他们自己真实的信息，因此博弈双方可能会面临一种信息不对称的局面，不完全信息增加了博弈双方判断和决策的难度，并且会对博弈的结果产生很大的影响。熊菲等利用海萨尼转换研究了具有不完全信息的群体决策博弈。黄河等提出了海萨尼转换的频谱拍卖，通过市场竞争优化资源配置，缓解了日益严重的频谱资源危机。Yang等利用海萨尼转换分析了序贯博弈。Shun等构建了关于PPP项目风险的讨价还价模型，其中运用了海萨尼转化。这些学者在不同的不完全信息博弈的理论分析中成功地运用了海萨尼转化，但是“自然”如何在实践中分配局中人的类型依然是比较困难的。近年来，一些学者依据局中人的历史数据来帮助“自然”分配局中人的类型。MonteCarlo(MC)模拟将在此运用。牛晓梦根据足球运动员梅西的历史数据来帮助“自然”分配其踢球的方向。GongYicheng等利用历史数据对物流企业的类型进行随机分组。当局中人自己的历史数据无法获得时，“自然”又该如何分配博弈局中人的类型，海萨尼转换的实践依旧是个难题。随着技术的发展，2010年计算机的数据处理能力迅速从GB跃升到TB，大数据分析正在逐步渗透到人类社会。一些学者开始利用大数据技术来推动不完全信息博弈理论的发展。考虑到不断增长的数据，刘(2013)在InternationalArtificialIntelligenceCongress(IJCAI)首次提出“博弈机器学习”这一概念。在他们的研究中，运用积累的数据和博弈论的动态策略，构建了一个机器学习广告搜索竞价排名模型，通过大量数据和马尔可夫链消除了博弈的不确定性。在百度、腾讯等公司的实践应用中表明了该博弈机器学习效果显著，不仅减少了广告投放，而且还增加了10％的收入。动态的AI博弈也被提出。其中最出名的AI博弈AlphaGo在围棋比赛中以5:0击败了人类欧洲围棋冠军，这是计算机程序首次在博弈中完全击败人类职业选手。这些已取得的成果都给予启发，可以利用数据来改变博弈在实践中的困难，本文将利用大量数据来帮助“自然”在实践中分配局中人的类型，实现海萨尼转换更好应用于实践之中，促进博弈论的发展。XGBoost模型全称是eXtremeGradientBoosting，是由华盛顿大学的陈天奇博士于2014年提出的，文章公开发表于2016年。因为在陈博士研究机器学习时，感觉受到现有机器学习库的计算速度和精度的限制，从而通过对GBDT算法进行改进，提出了XGBoost，因此可以说XGBoost是由GBDT延伸而来，XGBoost主要用于分类和回归算法。XGBoost最大的优点是它可以自动使用CPU的多线程并行处理，同时在算法上加以改进来提高精度。综上所述，现有技术存在的问题是：(1)用统计学习方法辅助互联网金融中的贷款企业做贷款决策的技术，没有充分考虑企业与用户之间的策略互动关系，忽略了数据种包含的博弈信息。(2)利用博弈论辅助互联网金融中的贷款企业做贷款决策的技术，由于均衡策略的理论性难以与实践结合，忽视了数据中包含的信息。(3)构建的不完全信息博弈模型，在分析过程中需要用到的海撒泥转需要按概率分布选择贷款申请者的信用类型，但现有技术中，该概率分布无法确定。解决上述技术问题的难度：由于一些贷款申请人为了获得贷款，可能会隐藏自己的信用状况，而互联网金融企业无法清楚知道这一信息，所以贷款申请者的风险是不确定的。构建的不完全信息博弈模型，在分析过程中需要用到的海撒泥转需要按概率分布选择贷款申请者的信用类型，但现有技术中，该概率分布无法确定。构建互联网金融企业与贷款申请者之间的不完全信息互联网贷款信用博弈模型，为了解决海萨尼转换在互联网金融中的应用，本专利技术提出通过信用风险帮助“自然”确定贷款申请者的信用概率分布，将贷款申请者不能按时还款的概率定义为其信用风险，因此在专利技术中需要度量贷款申请者的信用风险，并将其应用于海萨尼转换中。本专利技术将基于其他有贷款记录的特征数据和还款记录数据与新申请者的特征数据，利用统计学习方法本文档来自技高网...

【技术保护点】
1.一种基于XGBoost驱动的海萨尼转换金融决策处理系统，其特征在于，所述系统功能模块包括：/n博弈模块，用于构造互联网金融企业与贷款申请者之间的不完全信息互联网贷款信用博弈模型；/n信用风险度量模块，用于采用统计学习方法基于其他已贷款者全部数据和新贷款者部分数据度量贷款申请者的信用风险；/n数据驱动的海萨尼转换模块，用于将度量的信用风险应用于海萨尼转换中，进行信用风险驱动的海萨尼转换；/n决策模块，用于基于博弈论和统计学习对互联网金融企业的贷款决策给出建议。/n

【技术特征摘要】
1.一种基于XGBoost驱动的海萨尼转换金融决策处理系统，其特征在于，所述系统功能模块包括：
博弈模块，用于构造互联网金融企业与贷款申请者之间的不完全信息互联网贷款信用博弈模型；
信用风险度量模块，用于采用统计学习方法基于其他已贷款者全部数据和新贷款者部分数据度量贷款申请者的信用风险；
数据驱动的海萨尼转换模块，用于将度量的信用风险应用于海萨尼转换中，进行信用风险驱动的海萨尼转换；
决策模块，用于基于博弈论和统计学习对互联网金融企业的贷款决策给出建议。


2.如权利要求1中所述的基于XGBoost驱动的海萨尼转换金融决策处理系统，其特征在于，所述信用风险度量模块包括：
数据预处理子单元，对采集的贷款申请者的数据进行预处理；
信用风险学习子单元：定义信用风险，采用梯度提升决策树模型度量；提出耦合支持向量机的GBDT模型，选择SVM中的支持向量作为新的训练集，并利用该模型度量信用风险；最后采用XGBoost模型度量信用风险；
训练集和测试集划分子单元，用于将预处理后的数据划分为训练集和测试集两个数据集；
XGBoost模型训练检验子单元，用于XGBoost模型通过训练集学习信用风险模型，通过测试集检验学习效果。


3.如权利要求1中所述的基于XGBoost驱动的海萨尼转换金融决策处理系统，其特征在于，所述数据驱动的海萨尼转换模块包括：
贝叶斯纳什均衡概率获取子单元，用于3ILCG模型通过海萨尼转换，获得贝叶斯纳...

【专利技术属性】
技术研发人员：龚谊承，张艳娜，余力，周莲萤，都承华，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42