[发明专利]一种基于支持向量机的P2P网络贷款风险评估模型

说明书

技术领域

本发明涉及网络贷款评估模型领域，特别是涉及一种基于支持向量机的P2P网络贷款风险评估模型。

背景技术

P2P（Peer-to-Peer）网络借贷是指个人与个人之间的小额无担保借贷，不以银行等金融机构为中介，直接通过互联网络平台确立借贷关系并完成相关交易手续，实现了“金融脱媒”，具有贷款门槛低、覆盖面广、信息流通快、交易手续便捷、涉及金额小、借款期限较短等特点，具有非常大的发展潜力。

而P2P网络贷款存在一定的风险，如何保证所贷出去的款都是能够收回的（贷款人有能力偿还的），也就是“风险控制”显得十分重要。那么根据以上贷款人提供的基本信息，由客观科学的模型方法评估这次贷款的风险等级，从而给出有价值的决策参考信息则显得异常重要。

但因网络的虚拟性、信息的不对称、平台的风险控制措施不健全等问题，增加了借款者违约的可能性，导致 P2P 网络借贷市场的借款违约率偏高，贷款风险难以控制。

目前国内对信用风险评估的研究大多采取定性的方式，很少能对其进行定量分析与研究。本模型正是根据P2P网络贷款数据高纬度、非线性以及小样本等特点针对性的选取支持向量机算法，定量评估其贷款风险。

假设一个网络申贷人提供的申贷基本信息如下表格所示：

表1 申贷人基本信息表

如何根据以上申贷人基本信息科学客观的评估出这单贷款的风险程度就是本发明所要做的工作。

发明内容

本发明主要解决的技术问题是提供一种基于支持向量机的P2P网络贷款风险评估模型，通过对往年数据的分析，选取对结果有较大影响的属性作为主属性，然后根据支持向量机分类算法建立风险评估模型，当有未知记录输入时，该模型能给出最终的风险评判结果，预测效果更好、准确率更高，在基于支持向量机的P2P网络贷款风险评估模型的普及上有着广泛的市场前景。

为解决上述技术问题，本发明提供一种基于支持向量机的P2P网络贷款风险评估模型，包括以下步骤：

（1）数据预处理：从数据库中获取往年P2P贷款记录，进行数据预处理，主要采用主成分分析技术，即给出每条属性对最终结果的影响程度，选取贡献程度之和大于一定比重的前几列属性作为主属性；

（2）建立模型：在往年P2P贷款记录的主属性的基础上建立模型，

（a）特征空间映射：为了加强线性可分性，将原来的输入空间映射到一个高维点积空间，即特征空间，

如果非线性矢量函数g(x)=[g1(x)，…，gl(x)]将m维输入矢量x映射到l维特征空间，则特征空间的线性决策函数为：

          （1）

根据Hilaert-Schmiat定理，如果一个对称函数H(x，x,)满足               （2）

式（2）中，M为自然数，h_i，h_j为实数,

则存在一个映射函数g(x)，能够将x映射到点积特征空间,该映射函数满足

     （3）

如果式（2）成立，则

    （4）

式（2）或式（4）称作Mercer条件,满足上述两个式子中的任意一个的函数称为半正定核函数或Mercer核函数;

（b）利用试探法得到最优参数：

设定C初始值、参考点、变化方向、步长，训练第一个和第二个SVM，i=2，

计算第i次的ASVR，

判断与上次相比变化值是否超出门限，

  （b．1）如果结果为“是”，则判断SVR与参考点相比是否下降，

    （b．1.1）如果结果为“否”，则判断参考点的步长是否增加过，

      （b．1.1.1）如果结果为“是”，则判断参考点的步长是否减小过，

        （b．1.1.1.1）如果结果为“是”，则根据步长的范围作出相应修改：如果当前步长大于1，减小步长；如果小于1，增加步长，求出下一个C的值，

        （b．1.1.1.2）如果结果为“否”，则减小步长，记当前参考点步长减小过，求出下一个C的值，

      （b．1.1.2）如果结果为“否”，则增加步长，记当前参考点步长增加过，并更新参考点为当前值，求出下一个C的值，

    （b．1.2）如果结果为“是”，则步长不变，变化方向不变，并更新参考点为当前值，求出下一个C的值，