[发明专利]一种基于遗传算法的自适应风控策略优化方法

说明书

本发明公开了一种基于遗传算法的自适应风控策略优化方法，充分利用遗传算法对多个风控模型组成的风控策略进行优化，来解决传统风控策略无法进行实时的自适应确定最优风控策略的任务。首先对风控策略中的每个风控模型权重进行二进制编码，其次对风控策略种群通过遗传算法进行种群进化，最后对风控策略实现自适应更新以及自适应调整。本发明提高计算风控模型权重的效率，在保证风控策略稳定性的基础上能够自适应至最优风控策略，提升了风控策略的效果，证明了基于遗传算法的自适应风控策略的实用性。

技术领域

本发明属于信息技术领域，特别涉及一种基于遗传算法的自适应风控策略优化方法。

背景技术

互联网金融、消费金融的崛起促进了我国信贷产业的快速发展，随着线上借贷的需求不断增大，同时也带来了更多的信用风险。国内传统金融风控很多都是由信审专家进行人工审核，从资料提交到审核，需要大量时间和人力物力，同时人工审核主观性较强，并且人工专家的经验有限，因此效果并不是很理想。

为了解决人工审核的诸多问题，信用评分技术应运而生，通过对贷款人各方数据信息的整合，预测其信用分，以帮助授信审批者做出决策。银行等金融机构积累了大量的数据，随着大数据、机器学习的普及，推动了基于机器学习的风控模型在银行等金融机构的应用，相比于人工审核，机器学习模型通过海量数据进行学习，准确率更高，并且对于新型的欺诈行为能够及时做出响应。

传统单个风控模型的效果有限并且稳定性差，因此在实际应用中很多金融机构通常选择集成多个风控模型实现风控策略，由于每个模型的效果不同，因此每个模型的权重会影响风控策略的最终表现。当前的风控策略大多都是多个风控模型进行平均、投票或加权平均组成的，权重值的设定往往是通过专家经验设定的，风控策略的效果并不一定是最优的，因此需要对模型的权重进行优化，提升整体的风控效果。传统的线性回归等优化方法，计算耗时较长，并且现有的风控策略更新周期较长，无法进行实时的自适应调整，当有新型欺诈产生时，难以及时更新风控策略识别出风险。

发明内容

为了克服现有技术中存在的不足，本发明提供了一种基于遗传算法的自适应风控策略优化方法。通过遗传算法优化多个风控模型组合形成的风控策略，实现自适应风控策略来提高风控策略的准确率，使风控策略能达到更好的效果，并且具有更好的稳定性，同时缓解了传统线性回归等优化方法计算效率不高的问题。

本发明通过遗传算法来优化风控策略中每个风控模型的权重值，同时当有新的风控模型加入到风控策略中时，可以自适应更新新增模型的权重，从而使得整体风控策略稳定，不会出现较大的波动；当有风控模型效果变差时可以自适应降低该模型权重，提升风控效果较好模型的权重，当风控模型表现持续变差，并低于设定的阈值时，会将风控模型从风控策略中移除，从而实现基于遗传算法的自适应风控策略优化。

本发明的技术方案为：

一种基于遗传算法的自适应风控策略优化方法，主流程图如图1所示，包括步骤如下：

步骤1，为每个风控模型关联一个权重，同时对权重进行二进制编码，输入的风控模型按顺序组成风控策略；

步骤2，将步骤1得到的不同权重组合的风控策略组成种群，采用KS值作为适应度函数，计算各个风控策略的KS值，种群中按照KS值由高到低对风控策略进行排序；

步骤3，利用遗传算法基于步骤1中的风控策略和步骤2中计算得到的KS值，将每条风控策略作为染色体、KS值作为适应度值，对种群进行预设代数的种群进化，将最后一世代种群中KS值最高的风控策略确定为最优风控策略；

步骤4，当有新风控模型加入风控策略时，重复步骤1～3，将新风控模型的权重与原始风控模型权重组成新的风控策略，在离线平台中通过遗传算法进行种群进化并与线上风控策略比较，当两个风控策略的KS值相差大于设定的阈值时，使用KS值较高的风控策略，即风控效果明显改进的风控策略更新线上风控系统中的风控策略，实现线上风控策略的自适应更新；