基于LightGBM信貸風(fēng)控模型的算法優(yōu)化

吳照明 胡西川

1(上海海事大學(xué)信息工程學(xué)院 上海 201306) 2(上海海事大學(xué)信息工程學(xué)院計算機系 上海 201306)

0 引 言

互聯(lián)網(wǎng)金融是一種由于當(dāng)今網(wǎng)絡(luò)的快速發(fā)展以及人們?nèi)找嫘鲁钡南M觀念而誕生的新穎金融模式。其將互聯(lián)網(wǎng)作為貨幣流通的媒介，獲得了越來越多金融機構(gòu)的青睞。廣大金融機構(gòu)開始搭建網(wǎng)絡(luò)借貸平臺，在全球興起互聯(lián)網(wǎng)借貸的浪潮。對于廣大金融機構(gòu)而言,新的商機也就意味著要面對新的挑戰(zhàn)。要想在這一領(lǐng)域保持強勁的競爭力，獲得實質(zhì)性的發(fā)展，提升信貸風(fēng)控能力、規(guī)避風(fēng)險、降低損失顯得尤為重要。

我國互聯(lián)網(wǎng)金融發(fā)展?fàn)顩r呈現(xiàn)如下三個基本特點：

(1) 互聯(lián)網(wǎng)金融規(guī)模逐漸擴大。以P2P網(wǎng)絡(luò)借貸平臺為例，最早的P2P是2005年3月成立于英國的Zope網(wǎng)站，后來如雨后春筍一樣在全球迅速興起。我國的第一家P2P網(wǎng)絡(luò)借貸平臺成立于2007年，在最初的應(yīng)用后快速發(fā)展。由網(wǎng)貸之家發(fā)布的數(shù)據(jù)可知，截至2019年底，我國P2P網(wǎng)貸行業(yè)正常運營平臺數(shù)量達到了342家，全年P(guān)2P網(wǎng)貸行業(yè)成交量達到了9 649.11億[1]。

(2) 互聯(lián)網(wǎng)金融的結(jié)構(gòu)逐漸完善。目前我國的互聯(lián)網(wǎng)金融已經(jīng)形成三類參與機構(gòu)互相合作、互利共贏的融合體系。即傳統(tǒng)金融機構(gòu)的互聯(lián)網(wǎng)化、互聯(lián)網(wǎng)巨頭的金融業(yè)務(wù)輸出、科技企業(yè)對金融機構(gòu)的科技服務(wù)。

(3) 互聯(lián)網(wǎng)金融子市場逐漸形成。在進入2019年后，互聯(lián)網(wǎng)金融的宏觀經(jīng)濟、監(jiān)管環(huán)境與行業(yè)經(jīng)營方面均得到改善。其外部環(huán)境壓力顯著減小，使得部分細分領(lǐng)域及機構(gòu)得到了發(fā)展的空間，如中小金融機構(gòu)、銀行科技子公司、互聯(lián)網(wǎng)巨頭旗下的金融產(chǎn)業(yè)等。互聯(lián)網(wǎng)金融子市場的形成已經(jīng)無法阻攔。

如今，互聯(lián)網(wǎng)金融行業(yè)的規(guī)模日益增大，相關(guān)的理財產(chǎn)品和服務(wù)層出不窮，但隨之而來的不僅僅是機遇，更有挑戰(zhàn)。

互聯(lián)網(wǎng)金融行業(yè)的風(fēng)險大致可以分為三種：(1) 由于互聯(lián)網(wǎng)的虛擬性帶來的風(fēng)險。網(wǎng)絡(luò)借貸平臺不能像銀行一樣有借貸人非常準(zhǔn)確的信息，借貸人可能會給予虛假的信息，影響平臺的還貸率。(2) 由于互聯(lián)網(wǎng)的傳播性帶來的風(fēng)險。如果互聯(lián)網(wǎng)金融機構(gòu)出現(xiàn)了一點負面消息，就會被互聯(lián)網(wǎng)無限地放大，導(dǎo)致無法進行及時的補救措施。如2019年10月16日，湖南24家網(wǎng)貸機構(gòu)因不符合政府有關(guān)規(guī)定被予以取締，導(dǎo)致當(dāng)?shù)仄渌木W(wǎng)貸機構(gòu)紛紛被列入觀察名單。(3) 由于互聯(lián)網(wǎng)的技術(shù)性帶來的風(fēng)險?；ヂ?lián)網(wǎng)金融無法像傳統(tǒng)金融有著完善的法律體系來保護。它更多的是需要用技術(shù)來建立一個穩(wěn)固的數(shù)據(jù)防火墻和高效合理的風(fēng)控體系，畢竟互聯(lián)網(wǎng)金融大部分業(yè)務(wù)都是以互聯(lián)網(wǎng)作為媒介，需要更多的技術(shù)支持。一旦技術(shù)環(huán)節(jié)出現(xiàn)了問題，就會造成大規(guī)模的癱瘓，使得金融機構(gòu)受到巨大的損失。如2018年6月27日，由于阿里云的一次宕機，導(dǎo)致數(shù)個如優(yōu)酷、螞蟻金服和飛豬等事業(yè)群停機了約1個小時，帶來了巨大的損失。

由于技術(shù)性帶來的風(fēng)險最大，使得互聯(lián)網(wǎng)金融風(fēng)控模型研究在學(xué)界和業(yè)界受到高度重視。趙明明[2]提出一種基于核密度的K-Means算法，結(jié)合MapReduce分布式架構(gòu)，在分布式下將聚類結(jié)果通過用戶ID編號進行標(biāo)簽還原，并以標(biāo)簽的形式描繪出用戶畫像，將用戶分成不同的群體類別。趙慧娟[3]對Apriori算法進行改進，重新定義一種類似于矩陣加法的數(shù)據(jù)存儲方式，針對生成候選項集的連接步驟進行優(yōu)化，以避免產(chǎn)生更多無效的候選項集，提高了算法效率。黎寧[4]采用歸納演繹法和案例研究法對國內(nèi)互聯(lián)網(wǎng)金融領(lǐng)域的金融信貸大數(shù)據(jù)風(fēng)控技術(shù)進行研究。臧嘉惠[5]針對百度金融存在的問題，提出了推動社會征信體系建設(shè)完善、重視對培訓(xùn)機構(gòu)的審核約束、加強行業(yè)監(jiān)管或第三方監(jiān)管、多方面提高員工的風(fēng)險意識四個解決對策。李子木[6]用Spark并行大數(shù)據(jù)處理系統(tǒng)作為分析數(shù)據(jù)環(huán)境為金融企業(yè)提供金融風(fēng)險控制機制。Peter等[7]采用基于具有時變參數(shù)的多變量隱馬爾可夫模型，對金融企業(yè)的財務(wù)收益均值和協(xié)方差進行多周期預(yù)測，根據(jù)數(shù)據(jù)的動態(tài)變化實時改變預(yù)測值的大小，可以有效地幫助企業(yè)規(guī)避風(fēng)險。Ari等[8]提出了一個結(jié)合切爾諾夫約束的方法，降低漂移檢測(FIMT-DD)算法的標(biāo)準(zhǔn)偏差值，提高其快速增量模型樹的準(zhǔn)確率。從而增強FIMT-DD算法對數(shù)據(jù)進行分類預(yù)測的功能。Ivan等[9]將一個基于Java語言的數(shù)據(jù)挖掘軟件——Xelopes作為實驗平臺，對樸素貝葉斯分類算法進行并行計算，以此來提升算法的高效并行化和擴展性。

結(jié)合上述算法優(yōu)化的研究可以看出，在大規(guī)模數(shù)據(jù)集下，需要用數(shù)據(jù)切分的方式解決由于數(shù)據(jù)龐大導(dǎo)致的預(yù)測不準(zhǔn)問題，其對于數(shù)據(jù)篩選和特征衍生具有一定的啟發(fā)作用。雖然K-Means算法、Apriori算法、FIMT-DD算法、Spark通過優(yōu)化之后能夠消除掉一些無效的數(shù)據(jù)，提升預(yù)測的準(zhǔn)確率，但是會帶來內(nèi)存消耗過多、處理大規(guī)模數(shù)據(jù)時速度減慢等問題。而根據(jù)數(shù)據(jù)動態(tài)變化實時預(yù)測和對算法進行并行運算雖然提高了準(zhǔn)確率，加快了處理大數(shù)據(jù)時的速度，但是不僅沒有降低內(nèi)存消耗，反而大大增加了處理器的負擔(dān)。LightGBM算法不僅能在提升預(yù)測準(zhǔn)確率的同時，提升處理速度，還能占用較少的內(nèi)存，釋放更多的資源。

1 風(fēng)控模型設(shè)計

1.1 LightGBM算法原理

LightGBM是一種新的Boosting框架，基本原理與XGBoost一樣，使用基于學(xué)習(xí)算法的決策樹，但是它基于Histogram算法實現(xiàn)。Histogram算法的優(yōu)勢有兩個，第一個是它只需要#data×#feature×1Bytes的內(nèi)存消耗，僅為XGBoost中exact算法的1/8。因為histogram算法僅需要存儲featurebin value(離散化后的數(shù)值)，不需要原始的數(shù)值，也不用排序，而binvalue一般用uint8_t(256bins)的類型就夠了。Histogram算法另一個優(yōu)勢則是大幅減少了計算分割點增益的次數(shù)。由于histogram可以進行數(shù)據(jù)并行，所以只需要計算#bin(Histogram的橫軸的數(shù)量)次。

LightGBM的另外一個優(yōu)勢在于它使用了帶有深度限制的按葉子生長(leaf-wise)算法來取代大多數(shù)GBDT使用的按層生長(level-wise)的決策樹生長策略。Leaf-wise在分裂次數(shù)相同的情況下，可以降低更多的誤差，得到更好的精度。由于一個葉子的直方圖可以由它的父親節(jié)點和它兄弟節(jié)點的直方圖做差得到，LightGBM利用這個原理，可以在構(gòu)造一個葉子的直方圖后，用十分微小的代價得到它兄弟葉子的直方圖，將速度提升一倍。

Histogram算法建立直方圖的主要步驟共有四個循環(huán)。

第一個for循環(huán)：在當(dāng)前模型下對所有葉子節(jié)點處理(每一個模型)。

第二個for循環(huán)：遍歷所有特征，需要最佳分類特征值。使用分箱操作建立直方圖。

第三個for循環(huán)：遍歷所有的樣本，根據(jù)公式H[f.bins[i]].g+=gi計算bin中樣本梯度之和，公式H[f.bins[i]].n+=1對bin樣本計數(shù)。

第四個for循環(huán)：遍歷所有bin，找到最佳bin。SL為當(dāng)前bin左邊所有bin的梯度和，nL為當(dāng)前bin左邊所有bin的數(shù)量，SP、np為父親樣本的總梯度和和總數(shù)量，SR、nR為當(dāng)前bin右邊所有bin的梯度和和樣本數(shù)量，直接由父節(jié)點減去左邊得到。所以只需建立一個葉節(jié)點的直方圖就可以了。

Leaf-wise和Level-wise的區(qū)別如圖1和圖2所示。

圖1 Leaf-wise策略圖

圖2 Level-wise策略圖

可以看出，Level-wise生成樹策略分裂同一層的每個葉子，這樣可以使用多線程去優(yōu)化，防止過擬合，但是葉子節(jié)點的分裂效益過低。而Left-wise生成樹策略按照葉子的增益效果來分裂，選擇增益效果最大的葉子對其進行分裂，這樣可以提升分裂效益，但會帶來過擬合的問題。

1.2 分類預(yù)測模型算法的流程

基于LightGBM算法，根據(jù)提取的用戶特征，來構(gòu)建分類預(yù)測模型。

1) 假設(shè)對特征進行篩選和衍生之后，得到的特征表示為：

(1)

再經(jīng)過分桶和0-1標(biāo)準(zhǔn)化后，進行轉(zhuǎn)化：

(2)

將特征b11到bnm作為目標(biāo)變量yi。

2) 計算初始梯度值。用bgistic loss函數(shù)作為特征的損失函數(shù)：

L(yi,F(xi))=yilog(pi)+(1-yi)log(1-pi)

(3)

式中：F(xi)為梯度值；Pi為損失概率。

(4)

則初始梯度值為：

(5)

式中：η為學(xué)習(xí)率；Fm(xm)設(shè)為0。原特征值轉(zhuǎn)化為：

(6)

3) 建立樹，總共分為五步去做。

(1)將特征值轉(zhuǎn)化為bin value，即對每個特征做一個分段函數(shù)，把所有樣本在該特征上的取值劃分到某一段(bin)中。

(2) 對每個特征構(gòu)建一個直方圖，將原來的特征值表進一步轉(zhuǎn)化：

(7)

式中：eij=(sij,nij)；sij為bin中樣本梯度之和；nij為bin中樣本數(shù)量。

(3) 從直方圖中的sij、nij來求分裂增益，選取最大的增益，則此時的特征和bin的取值為最佳分裂特征G和最佳分裂特征值H。

(8)

(9)

(4) 建立根節(jié)點：

Ti=argmax(Gi) 1≤i≤m

(10)

即根節(jié)點為(Ti,Gj,Hj)。

(5) 根據(jù)Gi和Hi對樣本進行切分。直到所有葉子不能分割或者達到切分最大限度。

4) 更新初始梯度值Fm(xi)。

5) 重復(fù)第3)步、第4)步，把所有的樹建成。至此,分類預(yù)測模型主要部分已經(jīng)完成了[10]。

1.3 分類預(yù)測模型的改進

基于LightGBM的分類預(yù)測模型主要使用histogram算法來建立樹，即用直方圖來找出最佳分裂特征和特征值。這種算法不僅可以減少內(nèi)存的消耗，還可以加快計算的速度。但是，這種算法也有不足之處。在采用了leaf-wise策略優(yōu)化后，雖然減少了很多不必要的開銷，但容易長出較深的決策樹，導(dǎo)致過擬合。一般采用設(shè)置最大深度來防止過擬合。

由于實驗數(shù)據(jù)過多，設(shè)置的最大深度仍然可能造成過擬合。所以使用pair-wise算法來降低深度。pair-wise算法是指將兩個相互作用因子通過其交互作用的比例，對產(chǎn)生的case進行篩選，從而找出最佳性價比的集合?；趐air-wise算法的原理，可以在建立樹的過程當(dāng)中，減少節(jié)點的分裂，降低深度，防止過擬合。

在1.2節(jié)風(fēng)控模型算法設(shè)計的第3)步中，對樣本進行切分后，做一個判斷函數(shù)：

(1) 遍歷整棵樹，獲取每個點的位置、分裂特征和特征值，即(Ti,Gi,Hi)。

(2) 從上而下獲取上述三個因子的兩兩組合。

(3) 遍歷每個節(jié)點，判斷每個節(jié)點中三個因子的兩兩組合是否在上面出現(xiàn)過,若出現(xiàn)則刪除，否則保存。

(4) 按照不同的順序執(zhí)行第(2)和第(3)步，即第(2)步和第(3)步的遍歷順序為從下而上。

(5) 得到兩組數(shù)據(jù)，找出相同的點。

(6) 按照原先樹的節(jié)點順序?qū)Ⅻc排列，組成一棵新的樹。

2 實驗與結(jié)果分析

2.1 風(fēng)控模型指標(biāo)體系的建立

模型的主要算法確定完畢，接下來就是指標(biāo)體系的建立。此次實驗的數(shù)據(jù)來自國外lending club P2P借貸網(wǎng)站2018年2月至2019年2月的用戶借貸信息，數(shù)據(jù)大概有60萬條，144個特征，將其中缺失值超過30%的特征剔除，還有102個特征，其中float64數(shù)值型特征有77個，object型特征有25個，表1為部分特征[11]。

表1 原始數(shù)據(jù)部分特征

通過查閱大量的消費金融行業(yè)的資料，從用戶個人信息、用戶行為特征、貸款平臺信息、貸后數(shù)據(jù)評分四個方面，以時間和空間兩個維度來進行特征的衍生，建立風(fēng)控模型的指標(biāo)體系。由于特征比較多，就不一一列舉，下面介紹幾個比較重要的特征。在對用戶個人信息進行特征的分析時，發(fā)現(xiàn)有些特征如addr_state(借貸人住址)、emp_title(工作標(biāo)題)、purpose(借貸目的)等為文本型數(shù)據(jù)，對其進行分析得到相應(yīng)的詞云圖如圖3和圖4所示。

圖3 emp_title詞云圖

圖4 addr_state詞云圖

可以看出，文本型特征的數(shù)據(jù)種類繁多，且這些特征在模型里的重要程度非常高，所以要對這些文本型特征進行編碼，對于具有2個唯一類別的分類變量(dtype==object)，使用Scikit-Learn LabelEncoder進行標(biāo)簽編碼，對于具有2個以上唯一類別的分類變量，使用get_dummies(datafram)函數(shù)進行one-hot編碼。

在用戶個人信息和行為特征中，注意到可以用annual_inc(借貸人年收入)/12除以loan_amnt(期望貸款金額)/int(term(貸款周期))來形成一個新的特征loan_purse,這個特征代表借貸人每月還款本金與月收入的比，把它叫做貸款人的還貸壓力。接下來，還可以用open_acc(借貸人信用檔案中未結(jié)信用額度)除以total_acc(當(dāng)前借貸人信用檔案中總信用額度)代表借貸人的信譽度，把它作為reputation。用issue_d(貸款發(fā)放時間)減去earliest_cr_line(借貸人首開信用卡時間)代表借貸人的信用歷史，把它作為re_history。用舊的特征來衍生新的特征。

在眾多特征中，有著許多的連續(xù)型特征如open_il_24m、dti、delinq_amnt等，用卡方分箱法對其進行分箱，并且計算所有特征的WOE和IV值，選取出IV值大于0.02的變量，用它們對應(yīng)的WOE值對數(shù)據(jù)進行替換。最后，形成的指標(biāo)體系如表2所示。

表2 指標(biāo)體系展示

續(xù)表2

2.2 模型結(jié)果展示

實驗平臺為PyCharm Community Edition 2019.3.3 x64，操作系統(tǒng)為Windows 10旗艦版，CPU為Intel Core i7，16 GB內(nèi)存。實驗平臺如圖5所示。

圖5 實驗平臺截圖

對網(wǎng)上爬取的數(shù)據(jù)進行數(shù)據(jù)清洗和數(shù)據(jù)規(guī)范化處理等相關(guān)操作形成格式區(qū)間統(tǒng)一的數(shù)據(jù)。處理前和處理后的文件對比如圖6所示。

(a) 處理前

(b) 處理后圖6 數(shù)據(jù)處理前后對比

對數(shù)據(jù)進行清洗、篩選、特征衍生形成特定的指標(biāo)體系后，從新的數(shù)據(jù)集中以70%:30%的比例選取訓(xùn)練集與預(yù)測集，在基于LightGBM算法的分類預(yù)測模型上進行訓(xùn)練。通過反復(fù)實驗對比，得出了本次實驗的最近參數(shù)，即LightGBM樹的最大葉子數(shù)設(shè)為128，最大樹深度設(shè)為7 643，提升學(xué)習(xí)率設(shè)為0.097 14，擬合樹的棵數(shù)設(shè)為10，設(shè)計出表現(xiàn)最好的模型。再對數(shù)據(jù)進行分類和預(yù)測，得到輸出的結(jié)果，根據(jù)每個用戶的得分，劃分不同的區(qū)間。輸出結(jié)果部分如表3所示。

表3 借貸人得分

由于得分主要集中于0.1到0.2之間，所以從0.1到0.2這一區(qū)間中每隔0.01劃分一個區(qū)間，0.1以下和0.2以上再各分一個，總計12個區(qū)間，分數(shù)越高，用戶的按時還款率越高。通過一個簡單的分數(shù)判定，來預(yù)測平臺用戶的還款率。

2.3 實驗結(jié)果分析

由于提供實驗數(shù)據(jù)的平臺已經(jīng)對客戶進行了信用分級，分級情況如圖7所示。

圖7 信用分級

可以看出，該平臺將客戶分為了7個等級，每個等級上左邊的柱形圖代表按時還款的人數(shù)，右邊的代表違約的人數(shù)。而A和G等級中的違約人數(shù)太少，無法形成有效的柱形圖，就只統(tǒng)計按時還款的人數(shù)，方便分析。通過觀察發(fā)現(xiàn)，從A到G等級，隨著等級的升高，客戶的違約率越高，而最高的違約率沒有超過24%，即借貸人的按時還款率在76%到100%不等。根據(jù)圖7得出的結(jié)論和表3中的實驗結(jié)果，將得分小于0.1的借貸人作為還款率最低的那部分人處理，即還款率為76%；大于0.2的借貸人則為還款率100%的客戶。而0.1至0.2之間以0.01作為間隔劃分為10個區(qū)間，將此區(qū)間得分減去0.1再乘以2.4，最后加上76%作為還款率，如得分為0.103 482的借貸人，處于第一號區(qū)間，則根據(jù)公式[(score-0.1)×2.4+76%)]，得其還款率為76.836%。經(jīng)過觀察發(fā)現(xiàn)，得分越高的借貸人，其年收入越高，年收入與得分的關(guān)系如圖8所示。

圖8 年收入與得分關(guān)系

可以看出，借貸人年收入與得分成正比，且借貸人年收入高于200 000時得分接近0.2，即達到最大還款率；而在年收入低于25 000后接近最小還款率。為了驗證實驗結(jié)果的合理性，將原始數(shù)據(jù)中的借貸人年收入和違約率作為關(guān)系特征來建立關(guān)系，從中分析借貸人年收入和違約率規(guī)律。建立的關(guān)系曲線如圖9所示。

圖9 年收入與違約率關(guān)系

圖9的設(shè)計類似圖7，每個區(qū)間左右邊的條形圖分別為按時還款的人數(shù)和違約人數(shù)。從圖9中不難看出借貸人的違約率是與年收入成反比，即借貸人年收入越高，違約率越低。經(jīng)過進一步觀察發(fā)現(xiàn)，在0到25 000這一區(qū)間達到了違約率的峰值，而在200 000到2 000 000的區(qū)間違約率低到忽略不計。這與圖8中的結(jié)論互相印證，證明了實驗結(jié)果是合理有效的。

此外，根據(jù)對實驗結(jié)果的分析發(fā)現(xiàn)，得分低于0.1的借貸人在過去兩年內(nèi)的違約次數(shù)基本達到了6次以上，且信用卡透支次數(shù)也達到了4次以上；而隨著得分的升高，借貸人的信用歷史和信譽度都隨之升高，符合現(xiàn)實規(guī)律。

2.4 模型效果對比

將ROC曲線、AUC值和F1-score作為模型的評估標(biāo)準(zhǔn)。ROC曲線全稱為“受試者工作特征曲線”(Receiver Operating Characteristic)，橫軸為“假正例率”(False Positive Rate)，即在不同標(biāo)準(zhǔn)下受到的同一刺激；縱軸為“真正例率”(True Positive Rate)，即受到刺激下做出的反應(yīng)。通過對ROC曲線的觀察，來判斷模型的準(zhǔn)確性，一般ROC曲線越靠近左上角，其假正例和假反例總數(shù)越少，模型的查全率就越高，模型預(yù)測得就更為準(zhǔn)確。而AUC為ROC曲線下的面積，它能量化地反映出基于ROC曲線衡量出的模型性能；AUC越大，說明該分類器的分類性能越好。F1-score是一種均衡精度和召回率的綜合評價指標(biāo)。

通過求出基于LightGBM算法預(yù)測模型的ROC曲線，以及與邏輯回歸、決策樹、SVM和XGBoost的F1-score、AUC值的對比，來體現(xiàn)LightGBM在用于信貸風(fēng)控模型的優(yōu)勢。圖10為LightGBM算法的ROC曲線。

圖10 ROC曲線圖

圖10中的虛線為基準(zhǔn)線，實線則為改進后的LightGBM算法的ROC曲線。由ROC曲線可知優(yōu)化后的LightGBM算法已經(jīng)達到了很高的準(zhǔn)確率，表4給出了該算法與其他分類預(yù)測算法的對比結(jié)果。

表4 算法各項指標(biāo)對比

由圖10和表4結(jié)果可知，與邏輯回歸、決策樹、SVM和XGBoost算法相比，LightGBM算法預(yù)測得更為準(zhǔn)確，得分更高，AUC值更大。LightCBM算法在分類預(yù)測上有著極大的優(yōu)勢，在運用到消費信貸風(fēng)控模型上面有著很不錯的前景。

3 結(jié) 語

通過對LightGBM算法進行研究，再融合pair-wise算法進行改進，建立互聯(lián)網(wǎng)金融信貸風(fēng)控分類預(yù)測模型。用借貸人的相關(guān)信息作為實驗數(shù)據(jù)，開展分析和預(yù)測。實驗表明，相較于其他算法模型，LightGBM具有速度快、效率高、更精準(zhǔn)、占用內(nèi)存少，以及可以并行計算等優(yōu)點。互聯(lián)網(wǎng)金融的數(shù)據(jù)會越來越龐大和復(fù)雜，基于LightGBM算法的互聯(lián)網(wǎng)金融風(fēng)險預(yù)測模型在實踐中會有重要的應(yīng)用價值。

本文還有不足之處，例如，數(shù)據(jù)集存在著一定的完整性缺失，指標(biāo)體系也不夠全面，對實驗結(jié)果有一定的影響，有待進一步研究改善。