PSO-BP信用评价模型：基于网络行为信息视角

徐晓敏，谷晓燕

(北京信息科技大学 信息管理学院，北京 100192)

0 引言

随着互联网金融的迅猛发展，网络信贷越来越活跃且受到越来越多人的关注和选择。网络信贷交易中存在的借贷双方信息不对称，往往导致不良借贷、信用违约等现象发生[1]。为防止信贷风险的发生，出借方需要对贷款人的信用水平做出判断，通过信用风险评价手段对信贷行为所存在的潜在风险做出识别和评价。因此，与当今互联网金融相适应的、合理的个人信用评价体系的建立与完善是降低网络信贷风险的一条有效途径。但目前网贷平台的个人信用评价方法，大多依然使用商业银行和普通征信公司较为传统的评价模型，主要考察的是借贷人的工作情况、薪资水平、信贷记录以及资产证明等静态信息[2]，显然对网络信贷行为的信用评价缺乏针对性和有效性，没有凸显网络信贷用户的鲜明特征。

鉴于此，本文结合当前互联网征信建设的大背景，充分考虑网络信贷行为的主体是青年群体，他们具有热衷于网络活动，在网络上开展交友、购物、支付、理财等丰富的网络行为的特点，从用户网络行为信息出发，深入研究网络行为与个人信用之间的联系，综合考察网络借贷人静态信息、社交信息、支付信息和互联网金融信息等方面的网络行为数据，建立基于网络行为信息的具有网络信贷特征的个人信用评价体系，提出一种新的PSO-BP个人信用评价模型，即基于粒子群算法(particle swarm optimization,PSO)的BP神经网络(back propagation)信用评价模型，可以为各类互联网金融企业提供信贷依据，以降低信用风险及损失。

1 PSO-BP信用评价模型构建

个人信用评价就是使用科学的分析方法，考察影响个人信用的各种因素，并且最终通过相应的数值符号表明个人的信用情况。随着统计学方法的发展和应用，个人信用评价模型中也逐渐开始大量运用运筹学、统计学等方法。目前常见的个人信用评价方法还有K-近邻法、决策树法、遗传算法等[3]。这些方法均存在计算量和数据量较大、约束条件较多等问题。而基于网络行为信息的个人信用评价中所用信息具有定性信息与定量信息并存、不确定性较大等特点，采用上述方法均存在不适应性。经过研究分析，本文选用PSO-BP模型进行基于网络行为信息的个人信用评价。

BP神经网络具有强大的学习和推理能力，且灵活性高、适应性强。它不仅能做并行处理，还善于对不确定信息进行处理。PSO-BP个人信用评价模型主要运用BP三层神经网络从大量模糊数据中挖掘其内部信息规律，可以得出较为科学合理的评价结果。但是在具体应用中发现BP三层神经网络算法对初始值的选择依赖度较大，若初始值选择不合理，则评价结果可能陷入局部最优值；若想得到最优初始参数，就需要进行大量训练，又可能会发生“过拟合”现象，进而影响网络的泛化能力[4]。为了更好地优化BP算法，采用PSO算法来优化调整BP神经网络中的权值和阈值，不仅可以提高算法的鲁棒性，还能缩短学习时间，提高训练效率，进而提高评价的准确性[5]。

基于上述建模思路，构建基于网络行为信息的PSO-BP信用评价模型如图1所示。

图1 PSO-BP信用评价模型

整个模型包含两部分，即基于BP神经网络的学习评价过程和基于PSO的学习优化调整过程。由于涉及特征指标数量规模较大、不同类别特征指标量化处理难以统一，以及从BP神经网络学习评价过程的有效性等因素考虑，根据特征指标的类别将整个评价过程分为静态信息、社交信息、支付信息和互联网金融信息4个维度分别应用BP神经网络进行评价再得出综合评价结果的方式进行。

基于BP神经网络的学习评价过程包括输入层、隐含层和输出层。

1.1 输入层

输入层为全面体现与借贷人信用相关的属性特征组成的指标体系。基于网络行为信息的信用评价特征指标体系主要分为两大类：静态信息和动态信息，共由29个指标组成。其中静态特征指标Ai主要反映借贷人个人的基本属性特征，共包含6个指标：性别A1、年龄A2、最高学历A3、月收入A4、工作单位A5以及芝麻信用分A6。动态特征指标为其主要特征指标构成，从社交信息、支付信息和互联网金融信息3个方面全面反映借贷人的互联网行为。社交特征指标Bi共包含6个指标：平均每天使用社交软件时间B1、更新社交状态频率B2、每次更新社交状态后所获点赞评论数B3、QQ等级数B4、微信好友数B5和微博等级数B6；支付特征指标Ci共包含7个指标：每月网上购物总额C1、网上购物频率C2、网上订外卖频率C3、网上订外卖人均消费C4、出行旅游酒店可接受金额C5、网上叫车/租车频率C6和网上水电缴费频率C7；互联网金融特征指标Di共包含10个指标：第三方支付频率D1、每月第三方支付消费总额D2、互联网金融理财产品期限D3、可接受最低回报率D4、互联网理财金额占比D5、网络借贷平均借款金额D6、网络贷款用途D7、网络贷款是否准时还款D8、众筹项目投入金额D9和网店/微店日均净收益D10。

1.2 隐含层

隐含层主要确定4个维度BP神经网络中各自隐含层节点数及选择模型的激励函数。通过对样本集数据依次增加隐含层节点数来训练网络以及运用确定隐含层节点数的相关公式进行计算，综合比较其最终结果，确定静态信息、社交信息、支付信息和互联网金融信息4个维度的BP神经网络隐含层的节点数均为3。为了得到更加适合模型的激励函数，综合考虑收敛时间、模型均方差值和预测精度3种因素，分别使用7种激励函数即梯度下降算法、附加动量优化算法、自适应学习速率优化算法、自适应学习速率的附加动量优化算法、拟牛顿优化算法、L-M优化算法和弹性BP优化算法进行训练，检测其模型综合性能。通过测试验证，静态信息、社交信息和互联网金融信息BP神经网络模型的最优激励函数选用弹性BP优化算法(trainrp)，支付信息BP神经网络模型的最优激励函数选用自适应学习速率的附加动量优化算法(traingdx)。

1.3 输出层

通过BP神经网络的学习过程，分别得到静态信息、社交信息、支付信息和互联网金融信息的数据评分结果SA、SB、SC、SD。再经过综合计算，得出综合信用评价结果。

为了清晰合理地评价借贷人信用，将个人信用评价等级划分为7个层次，即从高到低依次为A、B、C、D、E、F和G。各等级信用表现如表1所示。

表1 信用等级类别及含义

基于PSO的学习过程优化调整过程主要通过寻找BP算法中的最优权值与阈值对BP神经网络进行优化。主要优化调整过程如下：首先将PSO算法中粒子的位置向量与BP网络中的所有权值和阈值一一对应，用PSO替代BP网络反向传播过程中使用的梯度下降算法，反复优化网络中的权值与阈值，并计算粒子适应度的值。当适应度的值不再减小或运行到最大迭代次数，停止粒子群的训练过程，然后再用BP算法进一步优化，直至寻找到BP网络中的最优权值以及阈值。

2 模型应用及有效性验证

为验证PSO-BP信用评价模型应用的有效性，本文设计了基于移动客户端的问卷工具，以此收集与个人信用评价相关的网络行为信息。经过收集整理，总计获取年龄在18～30岁之间、有网贷需求的填写人的301份有效问卷作为样本。将其划分为两个集合：学习集和测试集。前291条记录作为学习集，通过训练形成最优的BP网络结构，为信用评价提供模型。将后10条记录作为应用验证的测试集。

首先将获取的样本中的网络行为信息与BP输入层中29个属性特征指标一一对应，对每一属性特征指标的不同选择结果进行量化赋值，并进行归一化处理后形成每一样本属性特征指标数据集；其次分4个维度将291个样本数据输入BP神经网络进行学习训练，并经PSO对学习过程进行优化调整达到满意结果后保存其各自的学习网络模型；最后将10个测试样本数据输入BP网络得出最终的个人信用综合评价结果如表2所示。

表2 测试样本信用评价结果

为了验证PSO-BP信用评价模型的合理性，将上述的个人信用评价结果与用户的详细信息进行逻辑对比分析，其吻合度较高，说明了PSO-BP信用评价结果的可信度。同时将PSO-BP的信用评价模型与BP模型、GA-BP模型进行比较，分别计算它们评价结果的平均绝对误差、平均相对误差和均方根误差，PSO-BP模型为0.004 061 3、0.011 149 2和0.008 076 6；BP模型为0.008 239 3、0.055 203 5和0.019 941 9；GA-BP模型为0.006 529 2、0.033 401 2和0.010 571 6。从3个值的表现来看，PSO-BP模型均好于其他两种模型。PSO-BP模型较好地解决了BP模型和GA-BP模型容易陷入局部最优的缺点，加快了收敛速度，提高了评价结果的精度。无论是收敛速度还是泛化能力，基于PSO的BP模型都要优于传统的BP神经网络。

3 结束语

快速发展的、以青年群体为主力军的互联网金融健康发展需要有与其相适应的信用评价机制来保障。青年群体互联网行为丰富，且表现出鲜明的网络行为特征，这些特征产生大量的可分析数据，能够比较客观地揭示个人的特点。因此，基于互联网行为信息与个人信用之间的相关性，从一个全新的角度探究个人信用评价方法具有较好的适应性和有效性。PSO-BP信用评价模型不仅考虑性别、年龄、学历、薪资等个人的基本静态信息，同时更加全面地考虑个人的互联网行为所产生的动态信息，比如社交信息、支付信息和互联网金融信息等。基于互联网行为信息的PSO-BP信用评价模型能够消除网络借贷过程中信息不对称的问题，为互联网金融机构提供信贷依据，对网贷潜在风险做出有效识别，进而降低信用风险损失。