基于隨機(jī)森林的中小微企業(yè)信貸問題研究

張子越

摘要：文章針對(duì)中小微企業(yè)信貸問題進(jìn)行建模求解分析，構(gòu)建了基于優(yōu)化的隨機(jī)森林算法構(gòu)建的信貸策略模型，將發(fā)票的進(jìn)銷賬目、供求關(guān)系和企業(yè)信譽(yù)作為自變量，將企業(yè)實(shí)力評(píng)估和判斷是否提供貸款作為因變量。結(jié)合模型并綜合考慮銀行的收益，結(jié)合額度和年利率數(shù)據(jù)，確定各企業(yè)所能擁有的最大額度的放款，列出對(duì)企業(yè)放款的優(yōu)先級(jí)排序。根據(jù)模型求解得出信貸策略為根據(jù)信譽(yù)等級(jí)ABC以及是否違約得出年利率和信貸額度分別為6.82%，95萬元，8.95%，85萬元，10.53%，70萬元。文章主要的創(chuàng)新點(diǎn)在于針對(duì)數(shù)據(jù)維數(shù)過高，無關(guān)特征對(duì)檢測結(jié)果產(chǎn)生干擾的問題，提出了一種基于隨機(jī)森林的特征重要度特征選擇方法，能夠給中小微企業(yè)信貸問題提供方法參考。

關(guān)鍵詞：中小微企業(yè);信貸策略;隨機(jī)森林;信貸額度

中小微企業(yè)融資一直是世界性難題，信息不透明、主體分散且缺乏標(biāo)準(zhǔn)化，這些特點(diǎn)意味著小微企業(yè)的經(jīng)營風(fēng)險(xiǎn)很高，更是造成銀行不敢貸、不愿貸的主要原因。由于中小微企業(yè)規(guī)模小和資產(chǎn)較少，也缺少抵押資產(chǎn)，因此銀行通常是依據(jù)信貸政策、企業(yè)的交易票據(jù)信息和上下游企業(yè)的影響力，向?qū)嵙?qiáng)、供求關(guān)系穩(wěn)定的企業(yè)提供貸款，并可以對(duì)信譽(yù)高、信貸風(fēng)險(xiǎn)小的企業(yè)給予利率優(yōu)惠，是政府重點(diǎn)扶持的對(duì)象。政府通過銀行對(duì)信譽(yù)高、風(fēng)險(xiǎn)小的企業(yè)給予貸款政策優(yōu)惠，為評(píng)定不同企業(yè)的貸款方式，需建立中小微企業(yè)的信貸決策模型。

一、基于隨機(jī)森林的模型構(gòu)建

（一）數(shù)據(jù)預(yù)處理

在訓(xùn)練模型之前，首先要進(jìn)行特征提取從而最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用，并使用python中的sklearn提供了較為完整的特征處理方法，包括數(shù)據(jù)預(yù)處理、特征選擇、降維等。本文中使用特征提取的原因是各表格中數(shù)據(jù)零散，無法進(jìn)行直觀分析，需要通過提取特征值，對(duì)數(shù)據(jù)進(jìn)行子集的劃分，進(jìn)而得到指標(biāo)，在構(gòu)造的特征中篩選出最能刻畫研究問題的特性，也就是特征選擇，便于模型的訓(xùn)練和預(yù)測。

首先對(duì)數(shù)據(jù)進(jìn)行刪除無用數(shù)據(jù)處理（見表1）。

對(duì)各企業(yè)的進(jìn)項(xiàng)發(fā)票和銷項(xiàng)發(fā)票數(shù)據(jù)進(jìn)行合計(jì)，錄入為“進(jìn)貨價(jià)稅合計(jì)”和“銷售價(jià)稅合計(jì)”兩類新數(shù)據(jù)用于判斷企業(yè)的資金流動(dòng)量，數(shù)據(jù)處理的代碼和結(jié)果如表2所示。

（二）隨機(jī)森林算法原理

隨機(jī)森林是在bagging算法的基礎(chǔ)之上進(jìn)行了一些小的改動(dòng)，首先隨機(jī)從原始數(shù)據(jù)集中隨機(jī)抽取m個(gè)子樣本，而且在訓(xùn)練每個(gè)基學(xué)習(xí)器的時(shí)候，不是從所有特征中選擇最優(yōu)特征來進(jìn)行節(jié)點(diǎn)的切分，而是隨機(jī)選取k個(gè)特征，從這k個(gè)特征中選擇最優(yōu)特征來切分節(jié)點(diǎn)，從而更進(jìn)一步降低了模型的方差。而后隨機(jī)森林使用的基學(xué)習(xí)器是CART決策樹。隨機(jī)森林隨機(jī)選擇的樣本子集大小m越小模型的方差就會(huì)越小，但是偏差會(huì)越大，在實(shí)際應(yīng)用中，一般會(huì)通過交叉驗(yàn)證的方式來調(diào)參，從而獲取一個(gè)合適的樣本子集的大小。故隨機(jī)森林除了其學(xué)習(xí)器使用CART決策樹和特征的隨機(jī)選擇以外，其他方面與bagging方法相似（見圖1）。

最終的分類結(jié)果如式（1）所示：

本文將“是否違約”作為第一屬性值，對(duì)根節(jié)點(diǎn)“企業(yè)代號(hào)”進(jìn)行劃分成“非葉子結(jié)點(diǎn)123……”，并對(duì)違約的企業(yè)進(jìn)行“NO”處理;再對(duì)劃分出的“非葉子結(jié)點(diǎn)”依據(jù)“企業(yè)的信譽(yù)等級(jí)ABCD”繼續(xù)向下劃分，直到不能再依據(jù)屬性值判定，成為葉子結(jié)點(diǎn)。

（三）指標(biāo)計(jì)算

根據(jù)公式對(duì)其他指標(biāo)進(jìn)行計(jì)算處理，將用到的公式如下所示：

結(jié)合python中panda和numphy算法對(duì)數(shù)據(jù)進(jìn)行特征提取，得到處理后結(jié)果（見表3）。

二、模型求解過程

信貸策略提供首先需要對(duì)信貸風(fēng)險(xiǎn)進(jìn)行量化分析。對(duì)于貸款額度和利率，僅從企業(yè)的信譽(yù)評(píng)級(jí)和信譽(yù)層面考慮分配是不合理的，還需要考慮銀行的總收益。本文需要從發(fā)票的總金額、開票的頻率是否異常、發(fā)票的作廢比例、發(fā)票的金額波動(dòng)是否正常多個(gè)指標(biāo)對(duì)企業(yè)實(shí)力進(jìn)行觀察，從發(fā)票周期、進(jìn)項(xiàng)發(fā)票信息和銷項(xiàng)發(fā)票信息對(duì)銀行的總收益進(jìn)行觀察。在完成提取指標(biāo)后，利用“隨機(jī)森林”算法對(duì)指標(biāo)進(jìn)行處理。最后，將處理結(jié)果的數(shù)據(jù)按照放款順序自上而下的優(yōu)先級(jí)進(jìn)行排序，然后在固定總額的前提下，按照優(yōu)先級(jí)分配。

選取數(shù)據(jù)中的特征值作為訓(xùn)練數(shù)據(jù)，企業(yè)風(fēng)險(xiǎn)ABCD作為訓(xùn)練標(biāo)簽，構(gòu)建出隨機(jī)森林對(duì)應(yīng)模型。分析統(tǒng)計(jì)銀行等級(jí)數(shù)據(jù)，綜合分析計(jì)算得出企業(yè)信譽(yù)分別為ABC時(shí)的年利率及額度（見表4）。

根據(jù)前面處理的數(shù)據(jù)得到企業(yè)的風(fēng)險(xiǎn)評(píng)級(jí)結(jié)果，進(jìn)行模型求解，并給出企業(yè)信譽(yù)等級(jí)與年利率之間的關(guān)系如圖2所示。

三、隨機(jī)森林模型的分析

在對(duì)特征值進(jìn)行隨機(jī)森林算法處理之后，數(shù)據(jù)的回歸性如表5所示：其中，Accuracy表示回歸結(jié)果的準(zhǔn)確性，Macro avg表示算數(shù)平均值，Weighted avg表示加權(quán)平均值，Pricision表示精確度，Recall表示召回率，即是否符合該模型0或1條件下的線形數(shù)據(jù)處理，Support表示在該模型下的可滿足條件的企業(yè)數(shù)，數(shù)據(jù)處理的代碼和結(jié)果如表5所示。

對(duì)該結(jié)果進(jìn)行雙重檢驗(yàn)：1.與實(shí)際中銀行貸款額度相比，結(jié)果中的貸款額度處在正常范圍;2.對(duì)算法進(jìn)行檢驗(yàn)，沒有問題且運(yùn)行正確，數(shù)據(jù)正確可信。綜上可知，該模型具有結(jié)果可靠性，可以為銀行解決信道分配策略問題。

四、結(jié)語

本文通過構(gòu)建基于優(yōu)化的隨機(jī)森林算法構(gòu)建的信貸策略模型，選取進(jìn)銷賬目、供求關(guān)系和企業(yè)信譽(yù)作為自變量和企業(yè)實(shí)力評(píng)估和判斷是否提供貸款作為因變量。確定各企業(yè)所能擁有的最大額度的放款，列出對(duì)企業(yè)放款的優(yōu)先級(jí)排序。模型得出的結(jié)果中，99.9%不相關(guān)的樹得出的預(yù)測結(jié)果涵蓋所有的情況，這些預(yù)測結(jié)果將會(huì)彼此抵消。少數(shù)優(yōu)秀的預(yù)測結(jié)果會(huì)顯現(xiàn)出主要決定作用，從而得出優(yōu)良的預(yù)測結(jié)果。根據(jù)模型求解得出信貸策略為根據(jù)信譽(yù)等級(jí)ABC以及是否違約得出年利率和信貸額度分別為6.82%，95萬元，8.95%，85萬元，10.53%，70萬元。

參考文獻(xiàn)：

[1]汪政元.基于優(yōu)化的隨機(jī)森林方法的企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究[D].廣州：暨南大學(xué)，2017.

[2]單光年.大數(shù)據(jù)背景下商業(yè)銀行信貸風(fēng)險(xiǎn)管理策略研究[J].商業(yè)經(jīng)濟(jì)，2020（08）：164-165.

[3]于立勇，詹捷輝.基于Logistic回歸分析的違約概率預(yù)測研究[J].財(cái)經(jīng)研究，2004（09）：15-23.

[4]朱沁.F市農(nóng)商銀行信用風(fēng)險(xiǎn)管理研究[D].南昌：江西財(cái)經(jīng)大學(xué)，2020.

[5]馬琬清.新冠疫情對(duì)中國宏觀經(jīng)濟(jì)的影響分析[J].湖北經(jīng)濟(jì)學(xué)院學(xué)報(bào)（人文社會(huì)科學(xué)版），2020，17（09）：34-37.

[6]鄧偉.基于KMV模型的信用風(fēng)險(xiǎn)評(píng)估研究——以制造業(yè)上市公司為例[J].現(xiàn)代營銷（信息版），2020（07）：18-19.

[7]胡寧，方蘭婷，秦中元.基于隨機(jī)森林和深度的自編碼高斯混合模型的無監(jiān)督入侵檢測方法[J].網(wǎng)絡(luò)空間安全，2020，11（08）：40-44+50.

[8]劉玲，鄭建國.一種基于隨機(jī)森林的組合分類算法設(shè)計(jì)與應(yīng)用[J].電子設(shè)計(jì)工程，2020，28（16）：54-57.

（作者單位：淮北師范大學(xué)數(shù)學(xué)科學(xué)學(xué)院）