基于深度学习的网络借贷客户行为预测研究
近年来，随着中国经济社会的不断发展和互联网金融的快速崛起，传统金融机构网络借贷业务逐步兴起，通过互联网进行贷款的交易逐年增多。网络借贷在给金融机构带来巨大利润的同时，也对其互联网金融风险控制能力提出了巨大的挑战。准确的评估互联网借贷客户的还款行为是互联网金融风险控制的重要环节。综上所述，本研究通过改进深度残差网络，来对客户的两种还款行为（违约还款和提前还款）进行预测，进而降低金融机构网络借贷业务的运营风险。本文具体研究内容包括： （1）由于网络借贷数据具有复杂度高、维度高、数据噪声多的特点，导致目前基于机器学习和深度学习方法的客户还款行为预测模型的预测性能较差。拟解决上述问题，本研究在深度残差网络的基础上，通过融合多层级特征和挤压-激励网络（SENet），提出了基于IResNet（ImprovedResidualNetwork，IResNet）的客户还款行为预测模型。本文通过四步来构建IResNet模型，首先，将SENet融合到各个层级残差块的输出向量中；其次，将融合SENet后的各层级输出向量合并到特征融合层；然后，对特征融合层中的特征向量进行全局平均池化处理；最后，将处理好的特征向量输入到SoftMax分类层，得到客户还款行为的分类结果。IResNet预测模型不仅可以通过整合浅层特征与深层特征获取多层级的信息，还可以凭借SENet的注意力机制思想来自适应调节各通道的空间特征响应值，进而在层级维度和空间维度上同时增强特征向量的表达能力，最终使模型具有更强的预测性能。 （2）针对网络借贷数据样本不平衡，以及单一模型的局限性，导致的模型预测性能差的问题，本研究在IResNet模型的基础上，构建了融合聚焦损失和随机森林的客户还款行为预测模型（IResNet-FL-RF）。在该模型中，使用聚焦损失函数解决了样本不平衡导致模型性能差的问题，并考虑到随机森林在分类预测方面的优势，通过组合学习的方式弥补单一模型的不足。最终，进一步增强了客户还款行为预测模型的性能。 （3）最后，本研究使用LendingClub平台的公开数据集，对提出两个客户还款行为预测模型的预测性能进行了验证，并设置了大量的对比实验。实验结果表明，相比四种基于机器学习和两种基于深度学习的客户还款行为预测模型，本文提出的两个模型具有更强的预测性能，从而为降低金融机构网络借贷业务的运营风险提出了一种新方法。
深度残差网络;注意力机制;聚焦损失;客户还款行为预测;组合学习
长春工业大学
硕士
计算机科学与技术
李万龙
2022
中文
TP181
2022-10-12（万方平台首次上网日期，不代表论文的发表时间）