基于网络大数据的借款人贷前风险智能评估方法

Risk control is the eternal theme of the financial industry. The traditional risk assessment methods need more human participation, and the amount of data is small, so it is difficult to make a comprehensive and accurate judgment quickly. As an important place for personal activities and business operation, the Internet produces a lot of trace data every day. These trace data deeply reflect the profile of individuals and enterprises, and are natural materials for risk assessment. Focusing on “risk”, the core of internet finance, with big data as the resource, this project studies the feature extraction and representation of big data, and proposes three pre-lending risk assessment methods for different kinds of data: income and expenditure data analysis, social knowledge map analysis, and loan data analysis. Among them, the income and expenditure data analysis and the loan data analysis are mainly used for the borrower's pre-lending credit evaluation; the social knowledge map analysis is used for the borrower's pre-lending fraud assessment. They basically meet the risk assessment needs of the borrower before lending. In order to improve the accuracy of the assessment, the project intends to adopt some new calculation modes in the three risk assessment methods: 1) manifold based feature extraction; 2) subgraph independent reasoning after knowledge map cutting; 3) local partitioning of independent variables’ space and mini-cluster based fine clustering. Through the implementation of this project, a new, relatively comprehensive system of intelligent pre-lending risk assessments for financial industry based on big data can be established.

风险控制是金融行业永恒的主题。传统方法需较多人工参与，所用数据量也小，难于快速做出全面、准确的判断。互联网作为个人活动和企业经营的重要场所，记录了大量的痕迹数据。这些痕迹数据深刻地反映着个人或企业的概要画像，是风险评估的天然材料。围绕“风险”这一金融核心，以大数据为资源，本项目研究大数据的特征提取与表示，并针对不同种类的数据，提出三个面向大数据的贷前风险评估方法：收支数据分析、社交图谱分析、以及借贷数据分析。其中，收支数据分析和借贷数据分析主要于用借款人的贷前信用评估；社交知识图谱分析则用于借款人的贷前欺诈评估。它们基本可以满足对借款人贷前的风险评估需要。为了提高评估的准确度，本项目拟采用一些新的计算思路：1）流形学习的本质特征提取；2）知识图谱切割后的子图独立推理；3）近邻图局部分割数据空间和微型簇细聚类。希望通过本项目的实施，能够找到若干个面向大数据的、高效的贷前智能风险评估的新方法。

风险控制是金融行业永恒的主题。传统方法需较多人工参与，所用数据量也小，难于快速做出全面、准确的判断。互联网作为个人活动和企业经营的重要场所，记录了大量的痕迹数据。这些痕迹数据深刻地反映着个人或企业的概要画像，是风险评估的天然材料。围绕“风险”这一金融核心，以互联网大数据为资源，本项目研究大数据的特征提取与表示，提出了两个强可解释性的面向大数据的贷前风险评估方法：方差超长方形分类方法、局部聚类回归分析方法。这两个分析方法分别用于分类场景和回归场景的借款人信用评估。它们在方法上基本可以满足对借款人贷前的风险评估需要。另外，我们还基于众包理论，提出了一个多阶段任务协作处理模型，用于增强、补充对借款人的信用风险评估。为了提高评估的准确度，本项目采用了一些新的计算思路：1）采用流形学习方法提取数据的本质特征；2）近邻图局部分割数据空间和微型簇细聚类。通过多项实验对比表明，方差超长方形分类方法和局部聚类回归方法的明显优于现有的可解释性机器学习方法。而一系列实验也表明，我们提出的多阶段任务协作处理模型能很好地解决多阶段任务的协作，因而是一个好的新协作处理模型，用于信用风险评估的协作。

内容获取失败，请点击重试