[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

摘要

本发明公开了一种基于支持向量机的P2P网络贷款风险评估模型，包括：（1）数据预处理；（2）建立模型；（3）根据模型给出的结果做出风险评估。通过上述方式，本发明基于支持向量机的P2P网络贷款风险评估模型具有减少人为因素的影响、客观科学、预测效果更好、准确率更高、减少无关属性、大大减少数据处理量、使预测所需的学习时间更短、对样本数据量要求不高等优点，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。

主权项

一种基于支持向量机的P2P网络贷款风险评估模型，其特征在于，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，（b．2）如果结果为“否”，则C、步长、变化方向不变，并更新参考点为当前值，令i+1赋值给i，并返回计算第i次的ASVR，最终获得最优参数；（c）基于核函数的支持向量机分类：利用核函数的优点在于不再需要直接处理高维特征空间，采用核函数H(x,x’)代替g(x)，则原来的优化问题转化为：（5）约束条件为：，，由于H(x,x’)是一个半正定核函数，因此，式（5）中优化问题是一个二次凸规划问题，具有全局最优解,根据KKT互补条件，可以求得此时分类决策函数为（6）其中偏置项a由下式决定（取非边界支持向量平均值）（7）未知数据x分类结果为：类1    若A(x)>0类2    若A(x)<0若A(x)=0，则x不可分，将步骤（b）中获得的最优参数带入上述模型获得结果；（3）根据模型给出的结果做出风险评估。