機器學習在現今社會風險預測中的方法研究

胡雪峰

（中共湖南省委黨校，湖南 長沙 410006）

0 引言

簡單來講，預測技術要在了解一定事物的運動變化規律后，利用科學的方法對這一事物的發生規律和未來狀態實施評估，并進行定量或定性的評價。現如今，隨著國內外相關研究項目的增加，現已提出了二百多種現代預測方法，但最常見的只有二十多種，如因果鏈法、直觀法以及類比法等這些都屬于定性預測，而回歸分析、指數平滑等都屬于定量預測。在新時代建設背景下，隨著社會經濟和城市建設步伐的加快，越來越多的人認識到基于先進社會風險進行精確預測，不僅能保障資源得到科學分配，而且可以在生產安排中加強風險防范。雖然我國在以往建設發展中就已經開始關注社會風險預測工作，但受專業技術和工作意識的影響，開始從機器學習角度來研究風險預測等工作[1]。

1 機器學習的社會風險預測方法分析

1.1 案例推理

這一內容是以類比學習法為基礎提出的，主要適用于處理難發現的規律知識或因果類型，這種方法參考了以往處理問題的經驗、應用方法以及相似問題的處理方式等。在設計CBR系統的基礎上，逐一展示解決案例的表示、案例組織、案例檢索以及案例調整等問題。以案例組織與管理為例，其作為實踐發展的關鍵技術，是和案例組織策略和案例檢索彼此相對的，其直接決定了實際檢索的工作效率。在Aarmodt和Plaza看來，CBR是一個循環過程，具體工作分為以下幾點：第一，檢索相似的案例；第二，根據檢索得到的案例獲取解決問題的有效方案；第三，如果工作需求必須要對提出方法進行修正；第四，在保留解決方案的基礎上，要提出新的案例。雖然檢索出的案例和現如今問題是存在一定關聯性的，但其只是用于參考，亦或是利用修正算法來調整檢索案例，從而保障其與當前問題相匹配。在這一過程中，由于系統具備自主學習能力和意識，所以就算案例數量持續上升，系統處理問題也會隨之增強。

1.2 支持向量機

這一內容是由Vapnik等人提出的，由于這一算法具備極強的學習性和泛化水平，所以得到了相關專家學者的重視。通過利用線性模型映射某個非線性的從向量到一個高緯度空間，并由此劃分非線性的分類邊界線。結合實踐應用案例分析可知，其屬于一種特殊類別的線性模型的算法，具有最大的邊緣超平面，能有效處理決策等級之間的最大分離。現如今，這類算法主要用于處理信貸、保險索賠預測等風險預測問題。

1.3 人工神經網絡

這一算法是對生物神經網絡系統的模擬分析，其在運行期間的信息處理功能會受網絡單元的拓撲結構、輸出特性等內容所影響，彼此之間連接著多個神經元，且可以由此計算所有輸入的加權和。假設這一數值超過某一個初始數值，那么就會出現輸出值。這一內容可以用于其他神經元一個興奮或抑制的輸入。這一過程是可以一直進行的，直到神經網絡中有一個或多個輸出產出才會結束。這種算法和傳統算法應用的解決問題方式存在很大差異，人工神經網絡是利用訓練的方式來解答問題。一般來講，這種算法的訓練過程如下所示：第一，在初始化一系列中隨機權值；第二，利用訓練集去訓練這一網絡，并由此持續優化權重，以此掌握數據集合當中的復雜關系。大部分算法都適用于訓練神經網絡，且彼此在應用期間存在較大差異，其中BP算法屬于科研人員最長應用的算法之一[2]。

2 案例分析

在社會經濟飛速發展中，隨著行業革新步伐的加快，信貸業務已經成為銀行建設發展的重要業務之一。雖然信貸業務在一定意義上滿足了城市居民的消費需求，但也為實踐管理工作帶來了更多難題。其中，銀行客戶信用風險評估問題就是指在全面掌握現有銀行用戶信息的基礎上，將他們劃分成兩類用戶，一類是指信譽用戶，另一類是指非信譽用戶。結合實踐發展步驟分析可知，銀行客戶的信譽評估主要分為三個階段：第一，樸素分析；第二，概率分析；第三，人工智能。現如今，我國正處于人工智能階段，不僅能利用先進技術理念整合研究風信貸業務及用戶信用風險，而且可以為未來銀行業務優化提供有效依據。下面主要研究機器學習算法信用風險預測模型，并對其實際應用效果進行全面評估。

2.1 預處理

在研究客戶是否存在潛在風險的數據時，可以將它們分成兩種，一種屬于靜態數據，其中涉及到用戶的基本信息和用戶檢測量表；另一種屬于動態數據，其中涉及到客戶的銀行信息、第三方支付記錄等。需要注意的是，通常情況下動態信息會隨著客戶狀態的改變而發生變化，具體情況如下圖1所示：

圖1 數據資料分析表

用戶在申請金融貸款時，必須要向銀行或相關機構提供與自己有關的各項信息，而平臺可以由此入手進行建模。假設有關信息不完善，就需要利用變換或清洗等方式填充有關內容。這項工作占據了整體模型分析的大部分時間，且直接影響著后續數據處理和模型建立。如果無法保障數據預處理操作的科學性，那么必然會影響機器學習最終判定的結果[3]。

2.2 對比算法

在選用回歸算法時，從理論角度分析，這一算法可以分為三個階段，由于本文研究是以數據特征為依據，優先選用更為成熟的回歸算法，具體公式為。其中，D代表虛擬變量，是指性別學歷等基礎信息。如果假設D2代表性別，那么在D2=1的情況下，將其看作女性，那么D2=0的情況下，就可以表示為男性。

而基于機器學習當中的GBDT算法進行操作，在實際迭代時需要整改樣本的權重，學習多個分類項，并在線性組合的基礎上提升算法的有效性。這一算法的基本原理是指，如果代表學習器的有關函數，那么代表前一輪的到的強學習器，相應的損失函數表示為且最終算法目標是為了找到弱學習器此時損失函數可以達到最小。

通過對比分析上述兩種算法可知，前者的應用優勢在于建模更加簡便，且可以結合銀行獲取的信息數據科學調控虛擬變量。而后者應用起來更加復雜，但對原始數據的要求極低，在科學探究過程中只需要運用簡便方法就能處理問題，并不需要思考過于繁瑣的問題。結合近年來銀行信貸業務運行情況分析可知，在風險預測中要優先選用GBDT算法構建模型。

2.3 實現算法

基于機器學習提出的算法需要假設集體樣本是最大迭代次數N，損失函數為L，最終得到的學習器是 ，那么初期的學習器公式為迭代之后的可以從以下四種情況進行分析：第一，計算樣本i=1，2，3，……，m的負梯度公式為第二，結合CART回歸樹明確第N顆回歸樹，其所對應的子節點區域可以表示為J，也可以代表回歸樹的葉子節點的數量；第三，要在葉子區域計算出最佳的擬合數值；第四，由于升級版的學習器公式為那么最終學習器 可以用這一公式來表示。

2.4 用戶分類和情景模擬

按照銀行客戶信息及相關算法，可以將用戶分為四種類型：第一，本身屬于信譽用戶，模型判斷也是信譽用戶，可以用TN來表示；第二，本身屬于信譽客戶，模型判斷卻是非信譽用戶，可以用FP來表示；第三，本身屬于非信譽用戶，但模型判斷卻是信譽用戶，可以用FN來表示；第四，本身屬于非信譽用戶，模型判斷也屬于非信譽用戶，可以用TP來表示[4]。

結合上表分析計算可以得到這一模型的準確率（TPR）的公式為而錯誤率（FPR）的公式為

本文分析所選用戶特征如下所示：第一，假設用戶的信用記錄存在超60天違規的行為，那么就可以計作Y=1，不然就計作Y=0；第二，特征信息包含了銀行用戶的所有動態信息，其中涉及到前文提出的銀行流水記錄、金融信息等，同時也涉及到用戶檢測三個量表的有關記錄。

在本文模型建設中，方案A要求所有貸款申請用戶要均衡分成10組，每組包含5000人，且每組都存在300個沒有信譽的用戶；而方案B要求結合模型計算用戶的違規概率，并將每位用戶違規的概率看作P，那么結合P值將客戶從大到小正確排序，最終分為10組，每組有5000人。在這種設計方案中，越靠后小組成員當中的信譽用戶數量越多。因此，只要明確P值的分界點，那么就能提出最終有效的放款條件。兩種結果對比分析如下表1所示：

表1 方案A與B的對比分析

2.5 評價分析

結合下圖2分析可知，兩種方案的非信譽用戶的占比情況存在較大差異，如方案B的非信譽用戶會隨著分組持續下降。利用上文提到的模型準確率與錯誤率計算公式和有關概念分析可知，因為模型計算結果和真實結果都是已知量，所以可以直接得到兩者的最終結果。結合計算得到的數據構建曲線圖，如下圖3和圖4所示，利用洛倫茲曲線的判定公式進行解析可以明確本次方案B模型的衡量性能指標AUC的數值是0.74，這符合優秀模型建設要求，因此可以在實踐信譽風險預測工作中應用[5]。

圖2 兩種方案對比分析圖

圖3 方案A的AUC曲線圖

圖4 方案B的AUC曲線圖

3 結語

綜上所述，為了更好預測分析當前社會風險，科研人員要將研究目光集中到機器學習中。上文介紹了幾種以機器學習為依據的預測方法和技術，結合實踐案例分析可知，其不僅能充分結合機器學習構建系統化的預測模型，而且可以持續拓展模型應用范圍。通過了解當前網絡環境下金融行業發展面對的風險問題，基于機器學習算法構建風險預測模型，其不僅能科學處理相關數據信息，而且可以有效預防人為因素對放款的影響。