【《信用评估算法模型研究的国内外文献综述》2500字】

-PAGE128--PAGE127-信用评估算法模型研究的国内外文献综述最早将信用评估问题归结为分类问题的是1936年统计学家Fisher提出的，当时美国信贷业务开始发展，很多金融结构的贷款业务也因此快速发展，金融机构在处理申请信息过程中中开始对用户的信息进行信用评估，专家系统[6]是最早用于个人信用评估的系统。这套系统用以评估信贷申请人的信用程度。1941年，统计学家DavidDurand[7]通过特征维度来评估申请人的违约风险，在当时金融机构使用这种方法来区分申请人的信用好坏。1996年，W.E.Henley和D.J.Hand[8]将改进的K近邻方法应用于金融风险评估中，相较之前方法提高了信贷数据的预测准确率。2003年，姜明辉等人[9][10]采用基于线性判别法对信贷数据进行预测，通过实验证明分类树较其他传统方法有较好的结果。在2005年，石庆焱[11]首先通过使用逻辑回归将相关性高的特征去掉，将其结果应用于人工神经网络具有更好的效果，达到了提升模型效果的目的。2011年，PauliusDanenas等人[12]通过实验研究对比了多个分类器，对多个常用分类器进行实验，其结果表明通过机器学习来对信贷数据进行建模具有一定的优势，但是对于分类器选择和模型的参数的调优仍是繁杂的问题。人工智能时代的来临，众多学者将神经网络应用于信用评估模型，2014年，StjepanOreski[13]等学者发现当前金融机构研究的数据都是高维数据，过多不相关的特征可能会降低神经网络的预测精度。StjepanOreski等学者通过遗传算法，在数据预处理中选择重要的特征，最后使用神经网络建模。实验结果表明，利用特征选择技术可以提高信用评估模型的准确率。2014年，萧超武[14]等人使用随机森林作为个人信用评估模型，通过实验对比，基于随机森林的模型比传统单分类器模型具有更好的泛化性和预测精度。2018年，YashnaSayjadah[15]等人对比了逻辑回归和决策树以及随机森林算法对信贷数据的预测准确率，结果表明随机森林具有较高的准确率。通过对上述文献的研究，发现其中逻辑回归等线性统计方法针对目前复杂多维的非线性金融信贷数据都没有较好的拟合效果，传统的神经网络对数据的维数、数据量等都有较高要求，随机森林同样要求一定程度的数据量才得到较为理想的效果。标准粒子群优化算法在解空间寻优时，很可能会出现与梯度下降同样问题，即粒子陷入局部极值无法逃逸。由于每次粒子在交换信息时都会缩小搜索空间，因此可能粒子在收敛后还有很多空间没有搜索到，很多学者在这方面做出来努力，蒋维[16]在标准PSO算法后期增加了迭代后期的位置变异，使已经局部收敛的粒子跳出局部最优解继续全局寻优。但在后期加入扰动粒子优化效果有限，因为前期粒子在寻优过程中就会快速减少搜索范围。还有一些学者[17]通过增加粒子数量，保证可以覆盖更广的解空间，得到更好的寻优效果。但随着迭代次数的增加，粒子群仍然容易快速陷入局部最优解。成华义[18]将GA-PSO与BP神经网络结合起来，有效的克服PSO-BP神经网络的缺陷。遗传算法的加入提高寻找全局潜在解的可能性，但缺点是粒子收敛速度慢，局部搜索解的能力较差。杨廷志[19]为提高模型预测的精度，提出了一种改进的CPSO-BP模型，混沌搜索可以提高粒子群搜索的精度，但是在全局寻优的能力却较差。2015年，王波[20]等人将遗传算法和粒子群算法结合起来，将该算法应用到虚拟机资源分类问题上。 2018年，H.Zhou等人[21]提出了一种基于PSO的BP神经网络进行金融风险管理的大数据挖掘方法，提高了运算的精度和速度。Z.Zhao等人[22]使用PSO-BP模型对机场旅客进行分类，减少了旅客的等待时间，验证了模型的有效性。2019年，何睿[23]利用BP神经网络对环境振动数据建模，再利用CPSO对BP的参数进行优化，避免了BP的缺陷，提高了模型对环境桥梁损伤类别的识别精度。2020年，GuoK[24]等人通过PSO-BP模型对电压输出进行预测，该实例验证了模型的有效性。上述方法使用改进PSO优化算法优化BP连接权重，从而提高PSO-BP模型的预测和识别能力，但传统的遗传算法收敛速度慢，传统混沌搜索的逻辑回归映射函数在映射区域分布不均匀。因此，还可以对上述的模型进行进一步的优化。数据是模型的基础，在金融领域，数据的安全和隐私性致使不能共享数据建模，对于个人信用评估模型领域的研究来说是一种限制。2016年，谷歌[25]在提出了联邦学习的概念，使用联邦学习的方法。在该应用中，手机作为参加建模的客户端，在中央服务器的协调下共同训练同一个模型，作者构建了一个安全的客户端到服务器架构，从而使得多个客户端保证数据安全的前提下协同共同训练模型。此外，近些年，将联邦学习与特定系统结合的研究也较多[26]，将联邦学习结合系统功能，保证了底层数据的安全性。以上研究，联邦学习使用的的算法比较单一，主要以常见的线性回归算法以及神经网络为代表，而复杂多维的数据难以用线性回归拟合、梯度下降易陷入局部最优解的问题。因此，对于个人信用评估问题，现阶段要从算法模型和数据两个方面入手，算法模型要求保证针对复杂数据的拟合能力，可以从高维非线性数据中找到潜在规律，达到预测准确的目的。另一方面，针对金融机构数据具有安全隐私的特点，通过联邦学习的方式提高训练模型的数据量。参考文献闫衍.推动信用评级业高质量发展[J].中国金融,2020,No.936(18):48-50.黄小军,陆晓明,吴晓晖.对美国次贷危机的深层思考[J].国际金融研究,2008(05):14-21.肖会敏,侯宇,崔春生.基于BP神经网络的P2P网贷借款人信用评估[J].运筹与管理,2018,27(09):116-122.MraznicaE.GDPR:Anewchallengeforpersonaldataprotection[J].Bankarstvo,2017,46(4):166-177.何波.《2018加州消费者隐私权法》简介与评析[J].中国电信业,2018,No.211(07):60-63.FisherR.A.TheUseofMultipleMeasurementsInTaxonomicProblems[J].AnnalsofHumanGenetics,1936,7(2):179-188.DurandD.RiskElementsinConsumerInstalmentFinancing,TechnicalEdition[M]RiskElementsinConsumerInstalmentFinancing.NationalBureauofEconomicResearch,Inc,1941.185-186W.E.HenleyandD.J.Hand.AK‐Nearest‐NeighbourClassifierforAssessingConsumerCreditRisk[J].JournaloftheRoyalStatisticalSociety:SeriesD(TheStatistician),1996,45(1):77-95.姜明辉,王欢,王雅林.分类树在个人信用评估中的应用[J].商业研究,2003(21):86-88.姜明辉,姜磊,王雅林.线性判别式分析在个人信用评估中的应用[J].管理科学,2003(01):53-55.石庆焱.一个基于神经网络——Logistic回归的混合两阶段个人信用评分模型研究[J].统计研究,2005,000(005):45-49.PauliusDanenasandGintautasGarsvaandSauliusGudas.CreditRiskEvaluationModelDevelopmentUsingSupportVectorBasedClassifiers[J].ProcediaComputerScience,2011,4:1699-1707.StjepanOreski,GoranOreski.Geneticalgorithm-basedheuristicforfeatureselectionincreditriskassessment[J].ExpertSystemswithApplications,2014,41(4):2052-2064.萧超武,蔡文学,黄晓宇,等.基于随机森林的个人信用评估模型研究及实证分析[J].管理现代化,2014,34(6):111-113.SayjadahY,HashemIAT,AlotaibiF,etal.CreditCardDefaultPredictionusingMachineLearningTechniques[C].2018FourthInternationalConferenceonAdvancesinComputing,Communication&A