基于机器学习的信贷风控研究

随着“互联网+”概念的普及，我国互联网金融行业迅速发展，个人信贷业务市场份额也 快速增长，使得业务数据变得复杂多样。传统的信贷风控大多是模型驱动的策略，已经不能够满足违约风险预测的需求，导致各类违约事件频发，给机构带来较大的损失。因此，需要引入机器学习算法，来完善信贷风控机制，促进信贷业务市场健康、可持续发展。 本文采用机器学习算法针对信贷风控场景中的两个问题进行解决。第一，在新的信贷产品 投放初期，由于没有业务积累，仅有少量标记数据和大量无标记数据，因此不能建立数据驱动的有监督信贷风控模型;第二，在信贷产品投放一段时间后，积累到了一定量的数据，大多数机构会采用逻辑回归(Logistics Regression,LR)来实现信贷风控建模，LR模型简单且易于实现、训练速度快，但是这种模型属于线性模型，学习能力有限，不能学习到特征间的非线性关系，需要信贷业务经验丰富的风控工程师做人工特征组合，因此需要耗费大量的人工成本。 围绕以上问题，本文主要工作如下: (1)针对信贷产品投放初期，不能建立数据驱动的有监督信贷风控模型的问题，本文提 出了基于狄利克雷过程混合......