基于机器学习在风险评估中的研究

吴烨

【摘 要】近些年来，在人工智能快速发展的背景下，深入研究机器学习以及将其放在不同的领域内进行研究已经变得愈发重要，其中机器学习在风险评估领域中的研究，已经越来越受到国家和社会各行各业的重视。在信用风险里，信用评估毫无疑问是信用贷款过程里最重要的一环，它是指使用一些方法对借款人信用状况进行评估的一种活动。信用评估作为风险管理中的核心评估工具，在过去几十年中被广泛应用于金融行业中。当有人申请信用、抵押贷款等信贷产品时，金融机构需要区分“好”客户和“坏”客户。信用评分系统会对客户的特征进行评估，并将其分配为“信用评分”，这与授予信用后客户未来违约的概率密切相关。其中风险分析作为非常关键的一步，是提高信贷安全性的源头。本文将详细介绍风险分析的概念、基本过程，为学习机器学习的风险评估研究人员提供指导。

【关键词】机器学习；风险评估

互联网时代，人们制造、收集了大量的数据，如何从这些数据中抽取出有价值的信息是一个非常值得研究的课题。现在也是个“数据为王”的年代，各个公司都在疯狂得搜集用户数据，个人信息、使用习惯、搜索记录、观看记录甚至电子邮件内容希望能从中发现用户的喜好，挖掘用户的需求。可谓谁拥有数据，谁就有下一个机会。然而光有这些数据是不够的，海量的数据已经超出了直接计算的可行性，想要从中高效地提取信息就需要专门的学习算法，这就是机器学习的作用所在。我们需要机器学习算法，避免我们"迷失"在数据中，而找到更多的可用信息。在互联网金融繁荣发展的今天，消费信贷业务的横生，央行征信数据在时效、全面、层次等方面的不足日益凸显，深度挖掘分析互联网行为数据，利用现代机器学习技术，开发大数据信用风险评估模型显得尤为重要。

一、机器学习

机器学习就是通过各种算法对海量的历史数据进行有人监督或无人监督的学习分析，总结规律，并利用分析结果对未来数据进行预测的一种技术。机器学习具有很好的处理非线性分类问题的能力，基于机器学习的风险评估模式能有效提高风险评估的精确度与适用性。机器学习目前有很多的应用方向，包括模式识别、图像识别、智能决策等。机器学习是人工智能的一个分支，它可以在不进行详尽编程的情况下，自行学习数据中的规律，以了解数据中的本质，并对于新的数据作出准确的预测。该领域的研究还包括自然语言处理、图像识别等。在各学科领域都拥有海量数据的背景下，机器学习算法能够很好地从数据中找到人工无法找到的普遍规律，其预测能力一般超出了人类智能运用过往经验来预测的表现。在企业管理层面上，目前在智能决策方面的应用较多。但个人认为，机器学习更适用的领域是风险识别。在互联网金融、消费金融的蓬勃发展的当下，央行征信在数据时效性、全面性和层次性上的短板日益凸显。深度挖掘互联网大数据信息是十分重要的。

二、机器学习在企业风险评估中的研究

（一）研究意义

信用风险评估在近年来已显示出其经济重要性，不仅因为个人无担保贷款的数量每年都在增加，而且违约风险的概率也在快速增长。2008年的次贷危机造成的巨大损失引起了金融专业人士的国际恐慌。不良贷款率高是一个普遍存在的问题，以中国为例，根据中国银行业监督管理委员会（银监会）的报告，截至2018年第四季度末，不良贷款数量呈上升趋势，为1.68%。如何准确有效地评估贷款人的信用风险，一直是所有相关研究人员和从业人员的一个重要课题.虽然我国的信贷业务开展时间不长，信用评级制度存在着诸多不足，譬如部分评估机构素质偏低、相应法律法规不够完善，但是这个制度对于信用风险控制管理有着十分重大的意义。

（二）实施途径

1、信用评估的主要关注点是如何将申请人分为两类：违约和非违约。然后，评估人员可以决定拒绝或批准贷款申请。在个人信用风险评估领域，从业人员和研究人员使用申请人的个人社会人口信息，如年齡、性别、工作和收入，以及贷款申请信息，如贷款用途、贷款金额和贷款类型等，以区分哪些人会拖欠或未能偿还贷款。个人社会人口信息和贷款申请信息对评估一个人的信用风险状况非常重要。动态交易历史也是人们金融行为的一个非常有意义的指标，申请人的交易历史记录，可以从申请人的借记卡、信用卡、存折和其他账户等获取，显示申请人的动态财务状况和个人交易行为。

2、制定措施，运用一些机器学习的方法。在发放最多贷款数量的银行中，信用评估可以被分为两种形式：1.银行派想要内部调查人员对借款者进行调查。2.银行委托一些专业评估机构对借款者进行评估调查。信用评估的级别我国一般分为A（最优）、B（良好）、C（一般）或者A、B、C、D，对应的字母越靠前，信用情况越好，反之信用情况则越糟糕。

3、操作流程，首先对与机器学习在个人风险评估的文献进行归纳整理，提取思路。然后选取内容符合且数量相对合适的数据。后一步选用多项式Logistic回归、决策树、神经网络、随机森林这四种机器学习算法分别构建四种算法对应的模型。对于四种不同的模型，选用不同的参数估计法进行参数估计。最后利用相应的软件，操作得到模型的估计结果。当无法通过设计消除相关风险时，也可以通过设置信贷标准的安全操作流程，来约束借方和贷方的行为，提高安全意识，以保证机器学习的安全运行。风险再评估，对于以上预采取的措施，分析人员应对其效果进行再评估，以判断相关风险是否已经被控制到可接受的范围内，如果没有，则应继续采取控制措施，直至风险已被降低到可接受范围内。另外，要注意的是以上控制措施应按照从上往下的顺序优先使用，即是只有上面的无法达到效果时，才能使用下面的措施。因为任何措施都有失效的可能，只有从最根本上解决风险，才能真正的保证信贷的安全。风险分析作为信贷设计过程中至关重要的一步，对于提高信贷的安全性具有重大的意义。只有将其作为信用评估中不可或缺的的一部分，才能设计出相对安全的风险评估体系，才能使借方和贷方的权益都得到保障。

【参考文献】

[1]张潇元.基于BP算法的金融信用风险仿真研究[J].现代商贸工业，2015.

[2]田家俊.基于机器学习的人机博弈的研究与实现[D].东华大学学报，2007.

[3]符永顺.基于机器学习的移动应用推荐系统的研究与实现[D].通讯世界，2014.

[4]李航.统计学习方法[M].北京：清华大学出版社，2012.

[5]夏润海，王开颜；机器学习与智能决策支持系统[J]；潍坊学院学报；2016年02期.

[6]张明玉，倪志伟；基于机器学习的智能决策支持系统[J]；淮南师范学院学报；2017年03期.