ПОСТРОЕНИЕ МОДЕЛИ КРЕДИТНОГО СКОРИНГА НА ОСНОВЕ ТИПА ЦЕЛЕВОЙ ПЕРЕМЕННОЙ

С быстрым развитием больших данных и интернет-технологий компании, занимающиеся финансовыми платформами больших данных, собирают и систематизируют массивные данные через свои собственные платформы, улучшают параметры кредитного скоринга и используют методы машинного обучения для проведения комплексных и научных оценок кредитного скоринга. Таким образом, банки при построении кредитного скоринга сталкиваются с большими проблемами. Исходя из ограничений существующей системы и методов персонального кредитного рейтинга, необходимо изучить персональный кредитный рейтинг на основе методов машинного обучения, усовершенствовать параметры и систему балльной оценки персонального кредитного рейтинга, уточнить каналы сбора данных, использовать технологию динамической десенсибилизации. для снижения чувствительности данных, метод тестирования LOF для проверки данных о выбросах и метод случайного леса для заполнения отсутствующих значений данных. Затем вы используете метод дерева решений с повышением градиента, чтобы просмотреть важные индикаторы, обработать проверенные индикаторы с помощью модели системы показателей, основанной на логистической регрессии, и получить личный кредитный рейтинг. Наконец, модель тестируется с помощью нейронной сети BP, и модель используется для прогнозирования уровня личного кредита. Исследование показывает, что машинное обучение может еще больше повысить точность кредитных рейтингов отдельных лиц и обеспечить научную основу и справочную информацию для кредитных рейтингов коммерческих банков.

1. Сорокин, А.С. Применение законов распределения случайных величин для моделирования экономических явлений и процессов [Текст]: монография. / Н.Я. Бамбаева, А.С. Сорокин – М.: МЭСИ. – 2010. – 156 с.

2. Ляо Биин. Исследование модели персонального кредитного рейтинга коммерческих банков [D]. Наньчан: Университет финансов и экономики Цзянси. – 2016.

3. ЮЯ. Сравнительное исследование оценки кредитоспособности физических лиц кредитной компании «Жима» [D]. Чанша: Хунаньский университет. – 2017.

4. Чэнь Чжипэн. Сравнительный анализ систем управления персональной кредитной информацией в стране и за рубежом [D]. Харбин: Хэйлунцзянский университет. – 2017.

5. Сорокин, А.С. К вопросу оценки согласованности мнений экспертов при использовании методов экспертного оценки в кредитном рейтинге. [Текст] /А.Ч. Сорокин // Роль бизнеса в преобразованиях общества – 2014: Сб. ул. по мат. IX междунар. научн. конгр. – М.: «Йедитус». – 2014. – с. 281-283.

6. Цао Цзе, Шао Сяосяо. Исследование модели оценки личного кредита, основанной на интегрированном алгоритме обучения сбора и сбора информации [J]. Практика и понимание математики. – 2016. – 46 (8): 90-98.

7. Тан Чжунмин, Се Кун, Пэн Яопэн. Исследование оценки кредитного риска заемщиков онлайн-кредитов P2P на основе модели дерева решений с градиентным повышением [J]. Мягкая наука. – 2018, 32 (12): 136-140.