手機(jī)分期消費(fèi)貸款信用風(fēng)險(xiǎn)研究

龍海明 鄒漢錚 朱建

摘?要：識別手機(jī)分期消費(fèi)貸款違約因子是防范手機(jī)消費(fèi)貸款業(yè)務(wù)信用風(fēng)險(xiǎn)的關(guān)鍵所在。為此，基于融合隨機(jī)森林（RF）和邏輯回歸（Logistics）兩階段模型，通過數(shù)據(jù)挖掘揭示風(fēng)險(xiǎn)特征重要性含義，并結(jié)合經(jīng)濟(jì)計(jì)量方法詮釋異質(zhì)性客戶信用違約的基準(zhǔn)邏輯。結(jié)果表明：入網(wǎng)時(shí)長、終端個(gè)數(shù)、客戶月流量、終端時(shí)長是影響手機(jī)分期消費(fèi)貸款客戶信用風(fēng)險(xiǎn)的重要性特征變量，且邊際影響分別為-0.039%、3.18%、-0.01%、-1.06%，模型泛化能力強(qiáng)，準(zhǔn)確率達(dá)到74%。所以，要完善手機(jī)分期消費(fèi)貸款信用風(fēng)險(xiǎn)管理應(yīng)從交叉數(shù)據(jù)獲取、社交網(wǎng)絡(luò)、興趣熱點(diǎn)和消費(fèi)習(xí)慣等方面著手。

關(guān)鍵詞： 信用風(fēng)險(xiǎn);隨機(jī)森林;變量重要性;邏輯回歸

中圖分類號：F832.4????文獻(xiàn)標(biāo)識碼：?A????文章編號：1003-7217（2019）05-0027-07

一、引?言

經(jīng)濟(jì)新常態(tài)下，消費(fèi)金融由平滑消費(fèi)、風(fēng)險(xiǎn)管理和資產(chǎn)保值增值等傳統(tǒng)職能向消費(fèi)升級、內(nèi)需拉動(dòng)和兼具包容性等新型職能轉(zhuǎn)換。隨著5G通訊技術(shù)、互聯(lián)網(wǎng)支付和社交新媒體等快速發(fā)展，手機(jī)已具備即時(shí)通訊、網(wǎng)購消費(fèi)、投資理財(cái)、社交娛樂和商務(wù)運(yùn)用等多樣化功能，已成為居民日常生活重要消費(fèi)品。相關(guān)數(shù)據(jù)表明，截至2018年底中國手機(jī)用戶規(guī)模達(dá)到15.7億①，國內(nèi)手機(jī)市場總體出貨量為4.14億部②，手機(jī)產(chǎn)品已成為萬億級消費(fèi)市場。與手機(jī)消費(fèi)市場蓬勃發(fā)展不相適應(yīng)的是，手機(jī)消費(fèi)貸款缺乏針對特定消費(fèi)群體的產(chǎn)品設(shè)計(jì)、模式開發(fā)及風(fēng)險(xiǎn)防范機(jī)制，尤其是在校學(xué)生、農(nóng)民工等低收入群體信用擔(dān)保不足，導(dǎo)致校園貸、裸貸、民間貸等亂象叢生，探索手機(jī)消費(fèi)金融已成為繼汽車消費(fèi)金融后的新趨勢和新方向。強(qiáng)化對手機(jī)消費(fèi)貸款信用風(fēng)險(xiǎn)的相關(guān)研究，不僅可以為消費(fèi)金融新領(lǐng)域、新業(yè)務(wù)、新場景提供理論支持，而且通過異質(zhì)性對象風(fēng)險(xiǎn)特征識別為鎖定目標(biāo)客戶、用戶畫像及精準(zhǔn)營銷奠定堅(jiān)實(shí)基礎(chǔ)。

目前，針對手機(jī)消費(fèi)貸款信用風(fēng)險(xiǎn)評估研究較少，但可以借鑒商業(yè)銀行客戶、互聯(lián)網(wǎng)P2P借款人、中小企業(yè)等評估對象的信用風(fēng)險(xiǎn)測度方法。

一是針對客戶信用風(fēng)險(xiǎn)分級，設(shè)定貸款決策信用評分的閾值來控制風(fēng)險(xiǎn)。Norden和Weber（2004）利用事件分析法驗(yàn)證了股市和信用違約互換市場（CDS）與三大機(jī)構(gòu)的信用評級存在相互影響[1]。遲國泰等（2014）利用G1法、均值方差法、擬合分布和模擬評分法將46家商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行九級分類[2]。趙志沖等（2017）以等級信用差值最大化為目標(biāo)構(gòu)建了信用分級模型，解決了信用等級與違約損失率非一致性問題[3];張衛(wèi)國等（2018）提出基于非均衡模糊近似支持向量機(jī)的P2P借款人六梯度信用評級方法[4]。

二是通過統(tǒng)計(jì)計(jì)量、機(jī)器學(xué)習(xí)及兩者結(jié)合的方法來提高評估模型準(zhǔn)確率，驗(yàn)證其可行性。統(tǒng)計(jì)計(jì)量方面包括多元線性回歸、判別分析、Logistic回歸、數(shù)學(xué)規(guī)劃等方法[5，6]，機(jī)器學(xué)習(xí)方面包括SUM、神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林等方法[7-11];兩者結(jié)合的方法包括Lasso-logistic回歸、Adaptive lasso-logistic回歸、Logistic-SVM回歸等[12，13]。其他方法方面，Yang和Shi（2009）引入免疫算法建立個(gè)人違約的信用風(fēng)險(xiǎn)模型，對比采用ROC檢驗(yàn)的Logistic模型，該模型在雙抗體人工免疫理論下對數(shù)據(jù)敏感度更高，更具備智能性和動(dòng)態(tài)性[14]。Wekesa等（2012）采用比例風(fēng)險(xiǎn)模型方法估計(jì)貸款申請人的違約風(fēng)險(xiǎn)，結(jié)果表明性別、就業(yè)部門和教育水平在信用風(fēng)險(xiǎn)模型中不顯著;然而，婚姻狀況、年齡居家自有率和居留時(shí)間是顯著的[15]。張潤馳和杜亞斌（2018）改進(jìn)經(jīng)典加權(quán)k均值聚類算法，提出了多預(yù)測器粒子群優(yōu)化加權(quán)k均值聚類算法（MPWKM）模型，解決了權(quán)重選擇問題[16]。

三是信用風(fēng)險(xiǎn)的動(dòng)態(tài)評估方法，與靜態(tài)模型相比，動(dòng)態(tài)評估能克服信息突變下的結(jié)果失真問題[17，20]。

綜上所述，國內(nèi)外學(xué)者針對消費(fèi)貸款信用風(fēng)險(xiǎn)的研究，往往遵循經(jīng)濟(jì)理論邏輯或數(shù)據(jù)事實(shí)導(dǎo)向單一思路。傳統(tǒng)計(jì)量方法側(cè)重研究信用風(fēng)險(xiǎn)的影響因素，而依靠經(jīng)濟(jì)學(xué)直覺選取變量可能存在遺漏變量、內(nèi)生性、反向因果等問題;數(shù)據(jù)挖掘方法揭示信用風(fēng)險(xiǎn)要素的高相依度，泛化結(jié)果準(zhǔn)確率高，但統(tǒng)計(jì)相關(guān)或數(shù)理相關(guān)往往缺乏可靠的經(jīng)驗(yàn)依據(jù)。為此，本文在借鑒傳統(tǒng)信用風(fēng)險(xiǎn)評估方法基礎(chǔ)上，提出個(gè)體信用風(fēng)險(xiǎn)評價(jià)模型，利用隨機(jī)森林方法違約樣本與正常樣本差異度的先驗(yàn)規(guī)律，挖掘用戶違約誘因特征信息，并進(jìn)行模型訓(xùn)練得到用戶畫像，由此得到風(fēng)險(xiǎn)因素重要性排序結(jié)果;然后，利用邏輯回歸模型對其進(jìn)行邊際分解，得到各維度下個(gè)體信用貸款違約概率結(jié)果，并結(jié)合事實(shí)依據(jù)和理論邏輯來提供防范手機(jī)消費(fèi)信貸信用風(fēng)險(xiǎn)的可行建議。

二、實(shí)證方法應(yīng)用

（一） 算法及模型簡介

1.隨機(jī)森林算法。隨機(jī)森林算法利用Boost-strap抽樣法從原始訓(xùn)練集N中抽取N個(gè)樣本，然后對 N 個(gè)樣本分別建立決策樹模型，每棵決策樹都由根節(jié)點(diǎn)、葉節(jié)點(diǎn)和樹枝組成，其中每個(gè)決策樹模型均包含隨機(jī)M個(gè)變量屬性，以M個(gè)特征中最佳分裂方式對該節(jié)點(diǎn)進(jìn)行分裂，每棵樹都完整生長而不進(jìn)行剪枝，得到組合分類器。利用 N個(gè)決策樹模型分別對每個(gè)測試樣本分類，得到 N 種分類結(jié)果，最后對N種分類投票決定其最終分類結(jié)果。

本文選取基尼系數(shù)（Gini）作為分裂或競爭規(guī)則。

分類數(shù)采用Gini系數(shù)的減少量測度異質(zhì)性下降的程度，其數(shù)學(xué)表達(dá)式為：

2. Logistic模型。Logistic的條件概率為：

（二）樣本及變量說明

1.樣本來源。手機(jī)分期消費(fèi)貸款數(shù)據(jù)來源于中國云南省某金融機(jī)構(gòu)線下在2017年3月-12月的手機(jī)分期消費(fèi)貸款客戶跟蹤數(shù)據(jù)③，共5900條原始數(shù)據(jù)，篩選得到4475條有效數(shù)據(jù)，其中逾期違約數(shù)據(jù)1578條，非違約數(shù)據(jù)2897條，組成實(shí)驗(yàn)的全樣本。假設(shè)總共有N個(gè)樣本，則每個(gè)樣本被選中的概率是1/N，未被選中的概率是1-1/N，那么某樣本沒有出現(xiàn)在訓(xùn)練集中的概率就是（1-1/N）n。當(dāng)N 趨于無窮大時(shí)，這一概率趨近于 0.368。本文隨機(jī)從樣本中按比例選取30%為測試集，則剩余70%作為訓(xùn)練集。數(shù)據(jù)樣本見表1。

2.變量定義及說明。本文選擇用戶是否逾期違約作為信用風(fēng)險(xiǎn)的響應(yīng)變量，個(gè)體信用風(fēng)險(xiǎn)評估是一個(gè)典型二元分類器問題，當(dāng)客戶出現(xiàn)違約時(shí)取1，否則取0。借鑒其他學(xué)者相關(guān)研究，客戶消費(fèi)信貸信用風(fēng)險(xiǎn)影響因素涵蓋個(gè)體特征、社交環(huán)境、用戶興趣和消費(fèi)能力等多個(gè)方面。變量賦值及說明見表2。

3.數(shù)據(jù)預(yù)處理。通過利用數(shù)據(jù)合并、數(shù)據(jù)清洗和數(shù)據(jù)采樣等手段對數(shù)據(jù)預(yù)處理，充分保障實(shí)驗(yàn)結(jié)果準(zhǔn)確性、完整性、一致性、惟一性、適時(shí)性、有效性。通過插值法來補(bǔ)齊不完整、缺失部分?jǐn)?shù)據(jù)，利用統(tǒng)計(jì)檢驗(yàn)對錯(cuò)誤值、異常值和重復(fù)值進(jìn)行檢測并及時(shí)刪除。尤其是針對客戶違約與非違約數(shù)據(jù)類別不平衡問題，采用過采樣（Synthetic Minority Oversampling Technique、Border-line SMOTE、Adaptive Synthetic Sampling）、欠采樣（Near Miss）、過采樣和欠采樣結(jié)合（SMOTE+ENN、SMOTE+Tomek）等技術(shù)，調(diào)整樣本范圍。

三、實(shí)證結(jié)果及分析

（一）變量重要性識別

本文初步選擇40個(gè)變量作為可能影響個(gè)體消費(fèi)貸款信用風(fēng)險(xiǎn)因子（見表2），但上述變量并不完全符合個(gè)體信用風(fēng)險(xiǎn)預(yù)測，可能存在多重共線性、自相關(guān)等不利因素，從而降低預(yù)測精準(zhǔn)度和有效性，因此，從初始變量中識別和遴選出核心變量是建立個(gè)體信用風(fēng)險(xiǎn)評估指標(biāo)體系的關(guān)鍵。

從表3可以看出，個(gè)體信用違約風(fēng)險(xiǎn)最顯著的影響因子是X9（入網(wǎng)時(shí)長），其Gini指標(biāo)平均下降值為46.193;其次是X5（業(yè)務(wù)類型）、X21（交往圈人數(shù)）、X10（所屬地市）、X25（終端個(gè)數(shù)）、X12（客戶月流量）、X22（交往圈移動(dòng)用戶占比）、X13（終端時(shí)長）、X11（客戶星級）、X19（通話活躍天數(shù)）等因素，它們對個(gè)體信用違約存在較大影響;而最不顯著的是X36（國際交往圈占比）、X16（是否校園網(wǎng)）、X24（緊急聯(lián)系人終端）、X27（閱讀類APP天數(shù)）、X31（是否網(wǎng)購）、X37（交往圈星級）、X18（單位類型）、X17（是否實(shí)名）等變量。

從對輸出變量異質(zhì)性下降程度的影響看（見圖1），X9（入網(wǎng)時(shí)長）同樣是個(gè)體信用風(fēng)險(xiǎn)違約行為需要重點(diǎn)關(guān)注因素。X25（交往圈人數(shù)）、X12（客戶月流量）、X13（終端時(shí)長）、X35（高活躍客戶占比）、X7（年齡）、X21（交往圈人數(shù)）、X22（交往圈移動(dòng)用戶占比）、X23（緊急聯(lián)系人消費(fèi)）、X2（套餐月租）較為重要。

綜合來看，X9（入網(wǎng)時(shí)長）、X25（交往圈人數(shù)）、X12（客戶月流量）、X13（終端時(shí)長）是影響用戶信用風(fēng)險(xiǎn)行為的核心因子。交叉驗(yàn)證得到X9（入網(wǎng)時(shí)長）、X25（交往圈人數(shù)）、X12（客戶月流量）、X13（終端時(shí)長）、X11（客戶星級）、X19（通話活躍天數(shù)）、X2（套餐月租）、X21（交往圈人數(shù)）、X7（年齡）、X35（高活躍消費(fèi)客戶占比）等是最顯著的前10個(gè)變量，它們構(gòu)成了手機(jī)消費(fèi)貸款違約風(fēng)險(xiǎn)審核和重點(diǎn)監(jiān)控的指標(biāo)體系。下面基于此指標(biāo)體系做進(jìn)一步預(yù)測分析。

（二）實(shí)驗(yàn)效果檢驗(yàn)

本文通過構(gòu)建多指標(biāo)體系評價(jià)算法實(shí)驗(yàn)效果，其中精準(zhǔn)率（precision）表示預(yù)測為正例的樣本中，真實(shí)為正例的比例;召回率（recall）定義為真實(shí)為正例中為正例的比例;準(zhǔn)確率（accuracy）計(jì)算在所有樣本里面預(yù)測正確的比例。

最終利用精準(zhǔn)率、召回率和準(zhǔn)確率、f1-score和ROC面積比等五個(gè)指標(biāo)來衡量算法效果。從表5可見，非平衡樣本的五個(gè)指標(biāo)值分別為0.73、0.72、0.72、0.70和0.646，對應(yīng)的平衡樣本五個(gè)指標(biāo)分別為0.73、0.74、0.74、0.72和0.676，說明平衡樣本之后各項(xiàng)指標(biāo)都有提升，且算法的整體效果較好。

除此之外，引入ROC曲線進(jìn)一步刻畫模型的分類效果，ROC橫坐標(biāo)表示FRP，縱坐標(biāo)表示TPR，對于一個(gè)分類器，改變實(shí)驗(yàn)設(shè)計(jì)閾值，每一個(gè)閾值都可以得到ROC曲線。其中FRP（偽正類率）表示預(yù)測為正但實(shí)際為負(fù)的樣本占所有負(fù)樣本的比例，TPR（真正類率）表示預(yù)測為正且實(shí)際為正的樣本占所有正樣本的比例，實(shí)際上與召回率含義相同（見圖2、3）。對比圖2和圖3可以看到，樣本平衡前后的ROC曲線都呈現(xiàn)折線形，算法泛化能力強(qiáng)，具有較強(qiáng)的適應(yīng)性，且平衡樣本之后ROC面積比值有所提高，說明平衡樣本有效提高了算法精度。

（三）Logistic回歸結(jié)果

通過構(gòu)建用戶違約事件的影響因素邏輯回歸模型，并利用Stata軟件得到實(shí)證結(jié)果（見表6）。從表6結(jié)果來看，X9（入網(wǎng)時(shí)長）、X25（終端個(gè)數(shù)）、X12（客戶月流量）、X13（終端時(shí)長）、X11（客戶星級）、X19（通話活躍天數(shù)）、X2（套餐月租）、X21（交往圈人數(shù)）、X7（年齡）、X35（高活躍客戶占比）對違約風(fēng)險(xiǎn)都存在一定程度的影響。其中X9（入網(wǎng)時(shí)長）、X12（客戶月流量）、X11（客戶星級）、X19（通話活躍天數(shù)）、X2（套餐月租）、X7（年齡）、X35（高活躍客戶占比）與違約風(fēng)險(xiǎn)負(fù)相關(guān)。事實(shí)上，用戶入網(wǎng)時(shí)間越長、年齡越大，客戶星級越高，表示用戶穩(wěn)定性更高，更有可能擁有良好的信用;通話活躍天數(shù)越大、客戶流量消費(fèi)越大，套餐月租越高，表示用戶對手機(jī)實(shí)際用途更加重視，對手機(jī)依賴程度越高，用戶粘性越強(qiáng)。X25（終端個(gè)數(shù)）、X13（終端時(shí)長）、X21（交往圈人數(shù)）、X35（高活躍客戶占比）與違約風(fēng)險(xiǎn)正相關(guān)。終端個(gè)數(shù)越多、交往圈人數(shù)越多，高活躍客戶占比越大，說明用戶對單一手機(jī)品牌依賴程度低，社交網(wǎng)絡(luò)關(guān)系越復(fù)雜，手機(jī)消費(fèi)更新?lián)Q代越快，則用戶違約的概率越高。同時(shí)，從模型1結(jié)果來看，入網(wǎng)時(shí)長、交往圈人數(shù)、客戶月流量、終端時(shí)長分別提高1%，個(gè)體違約風(fēng)險(xiǎn)分別提高-0.039%、3.18%、-0.01%、-1.06%，說明用戶對手機(jī)社交、娛樂功能和品牌忠誠度的重視程度與信用違約概率的相依度越來越高，且社交功能和娛樂功能越豐富，平均流量消費(fèi)越大，個(gè)體違約的概率越小。

四、結(jié)論及政策啟示

以上通過利用隨機(jī)森林算法有效解決風(fēng)險(xiǎn)因子重要性排序問題，結(jié)合邏輯回歸模型解釋風(fēng)險(xiǎn)因子的邊際影響，研究表明：入網(wǎng)時(shí)長、終端個(gè)數(shù)、客戶月流量、終端時(shí)長是基于Gini指數(shù)重要性排序下的核心因子，且邊際影響為-0.039%、3.18%、-0.01%、-1.06%，且算法整體準(zhǔn)確率達(dá)到74%，入網(wǎng)時(shí)長、客戶月流量、終端時(shí)長與違約風(fēng)險(xiǎn)負(fù)相關(guān)，而交往圈人數(shù)與違約風(fēng)險(xiǎn)正相關(guān)，并由此得到相關(guān)的政策啟示：

1.通過交叉端口獲取數(shù)據(jù)來研究消費(fèi)主體信貸行為。當(dāng)前居民消費(fèi)正從量向質(zhì)、從有形商品向品質(zhì)服務(wù)轉(zhuǎn)變，傳統(tǒng)信貸數(shù)據(jù)、消費(fèi)信息已經(jīng)得到充分挖掘，而互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算和物聯(lián)網(wǎng)技術(shù)的發(fā)展，使得通過交叉來源分析消費(fèi)主體行為成為時(shí)下的前沿和趨勢。

2.通過社交網(wǎng)絡(luò)、興趣熱點(diǎn)和消費(fèi)習(xí)慣來多維度識別信貸風(fēng)險(xiǎn)。從消費(fèi)主體出發(fā)研究現(xiàn)實(shí)場景帶來的消費(fèi)偏效應(yīng)要結(jié)合時(shí)代發(fā)展和營銷對象的特征因子，而社交網(wǎng)絡(luò)、興趣熱點(diǎn)和消費(fèi)習(xí)慣無疑是側(cè)面反映消費(fèi)主體特征的重要方面，消費(fèi)主體的一致性、偏好性和社交性是影響信貸違約的重要因子，從消費(fèi)個(gè)體畫像、消費(fèi)群體特征到消費(fèi)細(xì)分領(lǐng)域都離不開對多維視角下消費(fèi)者的微觀行為和選擇的研究，要想改善供給端產(chǎn)品質(zhì)量、服務(wù)水準(zhǔn)必須創(chuàng)造需求、挖掘需求。

3.融合傳統(tǒng)計(jì)量和數(shù)據(jù)挖掘技術(shù)是未來信用風(fēng)險(xiǎn)識別和評估的方向。長遠(yuǎn)來看，大數(shù)據(jù)、云計(jì)算和互聯(lián)網(wǎng)等技術(shù)發(fā)展提供了海量的個(gè)體信用風(fēng)險(xiǎn)數(shù)據(jù)，如何擺脫數(shù)據(jù)驅(qū)動(dòng)、算法驅(qū)動(dòng)和數(shù)據(jù)至上理念，透過數(shù)據(jù)來挖掘隱含的理性經(jīng)濟(jì)行為人決策是未來的重要方向，由信用風(fēng)險(xiǎn)因子的相關(guān)關(guān)系向因果關(guān)系轉(zhuǎn)變，利用前沿的挖掘技術(shù)來推動(dòng)和發(fā)展消費(fèi)信貸理論，既可克服傳統(tǒng)計(jì)量的主觀性，又可為數(shù)據(jù)實(shí)驗(yàn)提供可靠的經(jīng)驗(yàn)依據(jù)和理論邏輯。

注釋：

① ?數(shù)據(jù)來源于《中國無線電管理年度報(bào)告（2018年）》。

② 數(shù)據(jù)來源于《中國互聯(lián)網(wǎng)發(fā)展報(bào)告（2019）》。

③ 由于消費(fèi)信貸數(shù)據(jù)一般涉及商業(yè)機(jī)密及道德問題，出于實(shí)際研究中數(shù)據(jù)獲得渠道的可得性、可靠性考慮，本文選用云南省的數(shù)據(jù)。

參考文獻(xiàn)：

[1]?Norden L， Weber M. Informational efficiency of credit default swap and stock arkets： the impact of credit rating announcements[J]. Journal of Banking & Finance， 2004， 28（11）：2813-2843.

[2] 遲國泰， 潘明道， 齊菲. 一個(gè)基于小樣本的銀行信用風(fēng)險(xiǎn)評級模型的設(shè)計(jì)及應(yīng)用[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2014（6）：102-116.

[3] 趙志沖， 遲國泰， 潘明道. 基于信用差異度最大的信用等級劃分優(yōu)化方法[J]. 系統(tǒng)工程理論與實(shí)踐， 2017， 37（10）：2539-2554.

[4] 張衛(wèi)國， 盧媛媛， 劉勇軍. 基于非均衡模糊近似支持向量機(jī)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評估及應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐， 2018， 38（10）：66-78.

[5] Bekhet H A ， Eletter S F K . Credit risk assessment model for jordanian commercial banks： neural scoring approach[J]. Review of Development Finance， 2014， 4（1）：20-28.

[6] 付永貴， 朱建明. 基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評估模型[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào)， 2016（8）：74-83.

[7] 肖會敏， 候宇，崔春生. 基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評估[J]. 運(yùn)籌與管理， 2018，27（9）：112-118.

[8] Zhang Z L . Identification of credit risk of personal loan in commercial bank based on SVM[J]. Applied Mechanics and Materials， 2013， 281：682-687.

[9] 陸愛國， 王玨， 劉紅衛(wèi). 基于改進(jìn)的SVM學(xué)習(xí)算法及其在信用評分中的應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐， 2012， 32（3）：515-521.

[10]Namvar A， Siami M， Rabhi F， et al. Credit risk prediction in an imbalanced social lending environment[J]. 2018，11（1）：925-935.

[11]Zhang Z ， Cao M . Notice of ?retraction research of credit risk of commercial bank's personal loan based on CHAID decision tree[C].International Conference on Artificial Intelligence. IEEE， 2011.

[12]張奇， 胡藍(lán)藝， 王玨. 基于Logit與SVM的銀行業(yè)信用風(fēng)險(xiǎn)預(yù)警模型研究[J]. 系統(tǒng)工程理論與實(shí)踐， 2015， 35（7）：1784-1790.

[13]阮素梅， 周澤林. 基于L1懲罰Logit模型的P2P網(wǎng)絡(luò)借貸信用違約識別與預(yù)測[J]. 財(cái)貿(mào)研究， 2018（2）：54-63.

[14]Yang Y ， Shi X H . Personal credit risk measurement： bilateral antibody artificial immune probability model[J]. Systems Engineering-Theory Practice， 2009， 29（12）：88-93.

[15]Wekesa O A， Samuel M， Peter M. Modelling credit risk for personal loans： cox proportional hazards model approach[J]. Far East J.theor.stat， 2012， 40（2）：107-125.

[16]張潤馳， 杜亞斌. 基于粒子群優(yōu)化聚類算法的多預(yù)測器信用評估模型[J]. 系統(tǒng)工程， 2017（10）：154-158.

[17]Zhang Y ， Chen L ， Zhou Z ， et al. A geometrical method on multidimensional dynamic ?credit evaluation[J]. International Journal of Information Technology & Decision Making， 2011，7（1）：103-114.

[18]Jing H， Yang W S. Structural design of dynamic credit evaluation system oriented multi-service principal[C].International Conference on Information Management，2012.

[19]Huang Q H， Sun J， Mao W D. Dynamic modeling on credit risk evaluation with fixed time window and imbalanced ensemble of support vector machine[J]. Recent Patents on Computer Science， 2012， 5（1）：51-58.

[20]張發(fā)明. 一種融合 SOM 與 K-means 算法的動(dòng)態(tài)信用評價(jià)方法及應(yīng)用[J]. 運(yùn)籌與管理， 2016（6）：186-192.

（責(zé)任編輯：寧曉青）