黃天云，劉一平

(西南民族大學計算機科學與技術(shù)學院，四川 成都 610041)

目前，全國各類企業(yè)總數(shù)1500多萬，其中小微企業(yè)占比近80%，小微企業(yè)提供了約1.5億個就業(yè)崗位，創(chuàng)造了近60%的GDP[1].然而，小微企業(yè)狹窄的融資渠道、高昂的融資成本，極大的阻礙了其發(fā)展壯大.互聯(lián)網(wǎng)金融的發(fā)展，則為小微企業(yè)的融資提供了新的途徑[2].

近年來，大量文獻從金融政策及對策分析、實證研究、信用評估、信貸風險控制等方面對互聯(lián)網(wǎng)金融展開研究；研究對象包括商業(yè)銀行、個人信貸、P2P網(wǎng)貸、以及小微企業(yè)等；研究方法包括實證分析，如商業(yè)銀行系統(tǒng)性風險[3]、P2P網(wǎng)貸案例[4]；統(tǒng)計分析和機器學習，如個人信用和信貸風險評估的Logistic回歸模型[5-6]、決策樹、支持向量機[7]、Bagging集成學習[8]、粒計算與信息融合[9]等.現(xiàn)有文獻對小微企業(yè)的互聯(lián)網(wǎng)金融信用評估和信貸風險控制的研究，以定性分析為主[1，10-11]，定量分析的研究尚不多見[2].

以下對某銀行9萬例小微企業(yè)貸款申請數(shù)據(jù)，首先應(yīng)用二類Logistic回歸得到信用評估初步模型，接著對數(shù)據(jù)內(nèi)在的高維特征進行深度挖掘，綜合Xgboost[12]、Large-Scale SVM[13].以及 Rank 加權(quán)求和，提出一種最佳融合方案—XSL模型，并調(diào)用flask[14]實現(xiàn)了一個小微企業(yè)的網(wǎng)貸在線申請與審核可視化系統(tǒng).

1 數(shù)據(jù)預(yù)處理

該銀行92420例小微企業(yè)貸款申請，審核通過46320例，拒絕46100例.將數(shù)據(jù)脫敏后整理成一張表，每行對應(yīng)一個申請者數(shù)據(jù)，不同列為不同的維度信息，并按如下方法進行數(shù)據(jù)清洗.

1.1 數(shù)據(jù)清洗

數(shù)值型指標統(tǒng)一量綱：①啞變量：01變量，是或不是的指標.比如性別的男或女，是否為本行客戶等；②分類指標：用數(shù)字代替，比如教育程度，1初中及以下、2高中、3?？?、4本科、6碩士、7博士及以上；還有婚姻情況等.分類型變量也可以轉(zhuǎn)化成01啞變量，比如教育程度分為：是否為初中及以下、是否本科等；③文字型數(shù)據(jù)：比如備注或說明等，若傾向于分類型的話，可以關(guān)鍵詞提取，并分類量化；④異常值剔除：通過作箱型圖進行剔除；⑤空缺值補全：原本空缺的、再加上被剔除的，可以用中位值或者平均值補全.

標準化：可能包括以下情形：①越偏向某一值越好：比如年齡，越靠近35越好，min＝18，max＝60，標準值D＝35；②越大越好：比如開業(yè)年數(shù)、雇員數(shù)、月總利潤、月凈收入等；③越小越好：未還貸款總額、月還款總數(shù).

歸一化：用公式f(x)＝1/(1+e-x)歸一化處理.

1.2 重要指標的拒貸規(guī)則分析

各指標的相關(guān)性分析如表1，與貸款通過與否相關(guān)性較高的是：之前貸款總額、婚姻情況、是否本行客戶、現(xiàn)每月還款額4個指標.

表1 各指標相關(guān)性分析Table 1 Correlation analysis of the metrics

分析各指標拒貸率直方圖，發(fā)現(xiàn)有以下單指標拒貸率規(guī)則：①之前貸款總額、月還款能力和現(xiàn)每月還款額的拒貸率分布較為均勻；②之前貸款余額大于800，000時，直接拒貸；③申請金額大于 1，000，000時，直接拒貸.

分析不同指標對貸款通過與否的影響，發(fā)現(xiàn)有以下拒貸規(guī)則：①之前貸款總額與申請通過成負相關(guān)，之前貸款越多，拒貸率越高；②已婚且婚姻較穩(wěn)定的拒貸率較低；③之前是本行客戶的話，貸款成功率相對較高；④現(xiàn)每月還款額越多，拒貸率越高.

2 二類Logistic回歸分析

Logistic回歸模型是目前最成熟、應(yīng)用最廣泛的分類模型.因為申請通過與否是一個二類問題，因此采用二類Logistic回歸分析.首先將所有量化指標數(shù)據(jù)進行歸一化處理(數(shù)據(jù)歸一化)，然后將所有樣本隨機分成5個folds，每個fold的前2/3加入到訓練樣本中，剩下的加入測試樣本(交叉驗證).運用SPSS軟件對訓練樣本進行Binary Logistic回歸分析，結(jié)果如表2.

表2 方程中的變量(一致性指標)Table 2 Variables in Equation(Consistent metrics)

B S.E， Wals df Sig. Exp(B)負債 1.352 1.396 .937 1 .333 3.864是否本行客戶 .714 .110 42.266 1 .000 2.042申請金額 -1.167 .996 1.374 1 .241 .311月還款能力 .509 2.400 .045 1 .832 1.663常量 -.081 .217 .138 1 .710 .922

表3 方程中的變量(全部可量化指標)Table 3 Variables in Equation(All quantitative metrics)

2.1 信用評估模型

Credit＝-1.166×婚姻情況+1.341×開業(yè)年數(shù)-12.0×貸款總數(shù)-10.984×月還款總數(shù)+0.714×是否為本行客戶. (1)

在訓練集上檢驗：當信用評分為正數(shù)時，通過率比負數(shù)時高的多，如圖1.

在測試集上測試：經(jīng)測試得到類似結(jié)果，并作ROC曲線如圖2.最終該模型的AUC＝0.681，結(jié)果一般.

圖1 一致性指標下的不同信用評分通過率Fig.1 Pass rateof different credit score(Consistent metrics)

圖2 測試集的ROC曲線Fig.2 ROC curve with consistent metrics in test set

2.2 模型改進

選用全部可量化的指標，如表3.得到回歸方程：

Credit＝-1.417×年齡-0.078×性別-0.952×婚姻情況+1.321×開業(yè)年數(shù)+0.222×雇員數(shù)+0.476×總資產(chǎn)-9.167×貸款總數(shù)-19.350×月還款總數(shù)+0.706×負債+0.570×是否為本行客戶+-0.018×申請金額+4.809×月還款能力+0.405. (2)

結(jié)果檢驗 信用得分的申請通過率走勢如圖3；全部量化指標的ROC曲線見圖4，測試集上的AUC＝0.835；結(jié)果檢驗見表4.

圖3 全部可量化指標下的不同信用評分通過率Fig.3 Pass rateof different credit score(All quantitative metrics)

圖4 全部量化指標的ROC曲線Fig.4 ROC curve with all quantitative metrics in test set

2.3 信用評估初步結(jié)論

1)經(jīng)比對，最終選用全部可量化指標的信用模型，如公式(2)，并記信用得分：Score＝1000/(1+e-Credit)；

2)經(jīng)計算，當信用Score＜600時，平均通過率為38%；當信用Score＞600時，平均通過率為89%；

3)初步認定，運用該模型，當Score＞600時，建議通過；否則建議拒絕.

表4 檢驗結(jié)果變量：Var00007Table 4 Variables validation

3 特征選擇與模型融合

3.1 特征表達與選擇

1)特征表達

地理位置：根據(jù)樣本數(shù)據(jù)提供的地理位置信息，統(tǒng)計每個省份和城市的違約率，顏色越深代表違約率越高，如圖5.對最高違約率的地區(qū)(6個)構(gòu)建6維二值特征0或1(獨熱編碼-one-hot encoding)，并保留其中有判別性的列.編碼結(jié)果還可以使用合并變量的方法，按城市等級如一線、二線來合并.

另外，也可將城市名用經(jīng)緯度替換，這樣就能將類別型變量轉(zhuǎn)化為數(shù)值型變量，如北京的經(jīng)緯度(39.92，116.46)可替換為兩個數(shù)值型特征.加入經(jīng)緯度后，線下交叉驗證能有千分位的提升.

成交時間特征：按日期統(tǒng)計訓練集中每天借貸的成交量，正負樣本分別統(tǒng)計，得到圖6，橫坐標是日期(20131101-20141109)，縱坐標是每天的借貸量.綠色曲線(count0)對應(yīng)不違約樣本，藍色曲線(count1)是違約樣本每天的數(shù)量(為了對比明顯，將數(shù)量乘以2).

圖5 省份違約率可視化(左圖)；突出省份違約率(右圖)Fig.5 Contract break rate of provinces(left)and those most prominent(right)

圖6 按日期借貸違約情況統(tǒng)計Fig.6 Loan break rate statistics of each day

類別特征：除了上述類別特征的特殊處理外，其他類別特征都做獨熱編碼.

組合特征：對判別性較高的數(shù)據(jù)特征進行整理合并，用這部分特征構(gòu)建組合特征.將特征兩兩相除，取其中線下交叉驗證值能達到0.73+的Top N個特征.

2)特征選擇和降維

以下采用基于模型的特征排序法，如Xgboost來做特征選擇[12].以降低特征維度.這樣做的好處在于：模型的學習過程和特征的選擇過程是同時進行的.Xgboost模型訓練完成后可以輸出特征的重要性，據(jù)此保留Top N個特征，從而達到特征選擇的目的.

基于前面構(gòu)建的特征，加上原始特征共有1439維.在這1439維特征上訓練Xgboost.經(jīng)計算，單模型交叉驗證值為0.7833(在下文中，稱此模型為xgb_7833).

3.2 模型訓練

1)xgb子模型bagging

受bagging思想的啟發(fā)[15]，對單模型xgb_7833做了進一步改進.xgb_7833確定了一組不錯的參數(shù)，讓這些參數(shù)在一定的小范圍內(nèi)隨機波動，同時對特征進行隨機抽樣，訓練多個xgb子模型進行bagging.例如，xgb_7833的參數(shù)取值為0.75，而各個xgb子模型的參數(shù)則在(0.7，0.8)之間隨機取值；各個xgb子模型的特征，則在xgb_7833的1439維特征上，隨機抽取部分進行訓練.這種方法在參數(shù)和特征上都引入了多樣性(差異性)，使得最后bagging的效果有較大提升，交叉驗證值達0.787.模型框圖如圖7所示.

圖7 Xgb子模型baggingFig.7 30 xgb sub-models are trained and bagged

2)Large-Scale SVM

為了在保證準確率的同時，減少樣本訓練時間，也可用SVM進行訓練.SVM解決large-scale數(shù)據(jù)問題，一般采用工作集方法、訓練集分解方法，或增量學習方法等[13].

本方案共訓練30個svm，每個svm用到的訓練數(shù)據(jù)只是原始數(shù)據(jù)的一個子集，子集產(chǎn)生的方式基于Bootstrap抽樣，對30個svm的預(yù)測結(jié)果進行平均.經(jīng)計算，驗證集上的交叉驗證值為0.77.

3.3 模型融合

1)模型融合方案

本框架主要實現(xiàn)2層的多模型融合，得到4個融合方案，如圖8.

圖8 模型融合總框架Fig.8 Main framework for model fusion：Xgb，SVM and LR

方案1 Bagged Xgboost：通過參數(shù)擾動生成30個不同的xgb子模型，對同一數(shù)據(jù)集進行訓練產(chǎn)生結(jié)果，采用均值融合產(chǎn)生M1結(jié)果；

方案2 Large-scale SVM：通過shuffle將數(shù)據(jù)集劃分為30子集，對30個svm的輸出取平均產(chǎn)生M2結(jié)果；

方案3 LR：采用LR對輸出特征進行權(quán)重訓練學習，克服手工選擇權(quán)重的問題，產(chǎn)生M3模型；

方案4 單模型：根據(jù)上面單模型交叉驗證，調(diào)試出2個不同版本的最優(yōu)單模型，S_XGB_1、S_XGB_2，即生成不同的單模型結(jié)果.

2)最佳融合方案—XSL模型

模型融合的關(guān)鍵在于模型差異性，框架中體現(xiàn)出的模型差異性主要在3個方面：不同模型、相同模型不同參數(shù)、不同訓練數(shù)據(jù)集.因此在每次融合之前需要參考各個模型的相關(guān)性，可采用Pearson相關(guān)系數(shù)進行評價.

最上層的融合方式可以采用均值融合、rank均值融合等簡單方式.最終選用的是效果最好的1/rank加權(quán)融合(按Score降序)，并命名為XSL模型.經(jīng)計算，模型的交叉驗證值達到0.79，效果得到穩(wěn)定提高.

4 網(wǎng)貸在線申請與審核

4.1 前置條件

申請人年齡(＜18)、負債率(＞1)、還款能力系數(shù)( ＜0.6)、申請金額( ＞1，000，000)、信用得分 Score(＜600)等，都是拒貸的前置條件.(負債率＝總負債/總資產(chǎn)；還款能力系數(shù)＝(月凈收入-申請總額/申請期數(shù))/月凈收入).

4.2 得分模型

由上述模型得到各項指標權(quán)重，并計算5個子模型得分：

1)個人信息得分＝年齡×0.120929+性別×0.073707+婚姻×0.099202+教育 ×0.089850+居住狀況×0.185520+在成都居住年數(shù)×0.359399+是否本行客戶×0.071394.

2)生意信息得分＝開業(yè)年數(shù)×0.527716+雇員數(shù)×0.209424+組織形式×0.182949+是否有營業(yè)執(zhí)照×0.079910.

3)財務(wù)情況得分＝負債率×0.3580+月總利潤×0.1952+月凈收入×0.4468. (月總利潤＝(月均銷售額×月均利潤)+月均其他收入；月凈收入＝月總利潤-月均還款數(shù)).

4)貸款記錄得分＝是否有逾期記錄×0.235012+是否還完銀行貸款×0.197620+未還貸款總額×0.235012+月平均還款×0.332357.

5)還款能力得分＝還款能力系數(shù)×0.75+自我認知系數(shù)×0.25.(自我認知系數(shù)＝申請月還款數(shù)/月凈收入).

總得分模型：應(yīng)用公式(2)，并量化為最終得分Score.

4.3 審核結(jié)果可視化

Python加載flask來搭建web框架[14].實現(xiàn)網(wǎng)貸在線申請與審核系統(tǒng)，并將審核結(jié)果可視化，如圖9.

圖9 小微企業(yè)網(wǎng)貸在線申請系統(tǒng)界面及審核結(jié)果可視化Fig.9 Online loan application and audit system for small enterprise：user interface and data visualization

5 結(jié)束語

對已有借貸企業(yè)信息各項指標的主觀定性描述、定量量化、分類匯總，本身還是有一定誤差的；而且由于申請人填寫的信息不規(guī)范、不完整，在迭代過程中會引入二次誤差，模型還有很大改進空間.

二類Logistic回歸分析得到的信用評估模型不夠精準，引入分類樹或神經(jīng)網(wǎng)絡(luò)，效果會更明顯.其他的網(wǎng)絡(luò)信用數(shù)據(jù)，如芝麻分或京東的信用分等也可加以參考，這樣能將壞賬率控制到更低水平.