供应链金融大数据分布特征的分析与洞见

半结构、非结构化、海量的供应链金融数据使得大数据环境下金融数据分析的模式和方法相对复杂。面向大数据样本研究,如何将大样本相比于小样本的独有特征体现在分类模型中值得深入探索。文中从供应链金融数据分布特征入手,分析影响信用风险分类模型的主要因素；对多年来的相关研究成果进行归类分析,概括信用数据分布特征,包括信用数据非均衡与不对称性、信用数据噪声和离群点的存在以及信用数据的非线性多维特征,并探讨了进一步的解决策略。供应链金融大数据分布特征的分析旨在助力挖掘隐含在海量金融数据背后的知识信息,为信用风险模型的构建奠定了坚实的基础。     

基于非平衡数据的LDA-BPNN信用评分模型

随着互联网金融的蓬勃发展，信用评分已成为评判是否为贷款人放款的重要依据，传统的信用评分方法的单一性，不能有效地减少不良贷款带来的巨大损失。提出一种基于非平衡数据的LDA-BPNN方法构建信用评分模型，通过Borderline-SMOTE算法进行非平衡数据过采样，达到平衡样本分布，进一步构建LDA-BPNN模型，显著提升了模型的预测准确率。在不同数据集上，利用多类机器学习算法进行定性和定量对比，并通过pr曲线、AUC等评价指标进行验证，验证结果表明上述模型的分类效果更佳。     

基于边界自适应SMOTE和Focal Loss函数改进LightGBM的信用风险预测模型

针对信用风险评估中数据集不平衡影响模型预测效果的问题,提出一种基于边界自适应合成少数类过采样方法（BA-SMOTE）和利用Focal Loss函数改进LightGBM损失函数的算法（FLLightGBM）相结合的信用风险预测模型。首先,在边界合成少数类过采样（Borderline-SMOTE）的基础上,引入自适应思想和新的插值方式,使每个处于边界的少数类样本生成不同数量的新样本,并且新样本的位置更靠近原少数类样本,以此来平衡数据集;其次,利用Focal Loss函数来改进LightGBM算法的损失函数,并以改进的算法训练新的数据集以得到最终结合BA-SMOTE方法和FLLightGBM算法建立的BA-SMOTE-FLLightGBM模型;最后,在Lending Club数据集上进行信用风险预测。实验结果表明,与其他不平衡分类算法RUSBoost、CUSBoost、KSMOTE-AdaBoost和AK-SMOTE-Catboost相比,所建立的模型在G-mean和AUC两个指标上都有明显的提升,提升了9.0%~31.3%和5.0%~14.1%。以上结果验证了所提出的模型在信用风险评估中具有更好的违约预测效果。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析,在综合分析国内外企业信用评分指标体系的基础上,结合我国企业信用评分的特点,建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展,及信用评分本身所具有的特点,建立了基于径向基函数神经网络的信用评分模型,利用现有数据分别进行判别和分析,研究其计算结果与实际情况的差距,然后使用改进的RBFNN学习算法,对径向基函数神经网络进行了学习训练,得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析，在综合分析国内外企业信用评分指标体系的基础上，结合我国企业信用评分的特点，建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展，及信用评分本身所具有的特点，建立了基于径向基函数神经网络的信用评分模型，利用现有数据分别进行判别和分析，研究其计算结果与实际情况的差距，然后使用改进的RBFNN学习算法，对径向基函数神经网络进行了学习训练，得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

AUCRF算法在信用风险评价中的特征选择研究

目前基于随机森林算法的特征选择方法多以优化总体分类精度为目标。然而,信用风险评价过程中错分代价不对等的不平衡数据广泛存在。此时,用精度作分类性能评价指标不合适。采用ROC曲线下面积AUC值作二分类算法的分类性能指标,构造一个基于随机森林算法的特征选择算法AUCRF,并对UCI机器学习库中的澳大利亚信用数据进行实证分析。结果表明,基于AUCRF算法的模型能以较小的特征子集获得较高的分类性能,AUC=0.934 6。因此,AUCRF算法可用于错分代价不对等的信用风险特征选择。     

蚁群神经网络在中小企业信用评价中的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测中小企业信用的目的,在分析信用评价重要性的基础上,根据中小企业信用评价指标体系,提出了一种基于蚁群神经网络的评价模型.利用蚁群算法对神经网络进行训练,再将此网络模型应用到中小企业信用评价系统中,最后通过训练样本和测试样本来检测该蚁群神经网络.结果表明蚁群神经网络的预测方法与传统的BP冲经网络预测方法相比,具有较强的泛化能力,应用在中小企业信用评价系统中具有很高的评价准确率.     

基于模糊逻辑的信用评判模型

为了解决个人对个人(C2C)交易平台信用评价体系不能正确识别信用炒作行为导致交易数据不能真实反映卖方信用的问题,设计了一种基于模糊逻辑的可信度评判模型.该模型为信用影响因素建立论域以及论域上的模糊集,通过隶属度函数对各个时段交易进行模糊评价,得到信用可信度评判结果.实例数据分析表明:该模型完善了信用评价系统,为用户的交易决策提供了较可靠的评判依据,降低了交易中的信用风险.     

基于动态机器学习的信用评估模型

随着计算机技术的发展，利用机器学习算法构建自动化评估模型已经成为金融机构进行信用评估的重要手段。然而，目前信用评估模型仍存在一些问题：信用数据本身存在类别不平衡和高维特征的问题，并且不同的时间下外界环境的改变会影响信用主体的行为，即数据会产生概念漂移现象。为此，文中提出了一个动态的信用评估模型，通过集成学习在新的增量数据上训练基分类器，并对各个基分类器的权重进行动态调整来适应概念漂移，以实现模型的动态更新。当发生概念漂移时，会针对概念漂移的检测结果对高维不平衡的信用数据进行不同形式的均衡化和特征选择。特别地，针对特征选择，文中提出了结合历史代表性样本的增量特征选择算法，该算法能够进行高效准确的特征选择，从而使模型可以同时解决增量信用数据存在的高维不平衡和概念漂移问题。最后，文中选取了真实的增量高维信用数据集，验证了所提算法相比其他主流算法在准确率和效率上的优越性。     

改进SMOTE方法基于XGBoost的信用评分模型

针对信用数据中的高维稀疏特征与样本不平衡问题易导致模型分类性能欠佳,提出一种新颖的框架来构建信用评分模型.首先,通过计算特征相似度解决高维稀疏特征;其次针对样本不平衡问题提出基于特征聚类改进的SMOTE方法(FC-SMOTE),以平衡数据集进而提高模型分类性能;最后,采用XGBoost作为基分类器构建信用评分模型.选择...     

大规模不均衡担保网络贷款的风险研究

中小企业贷款是国民经济活动的重要组成部分,在推动技术创新、促进经济增长和增加民众就业等方面有着不可忽视的作用.但是现有的商业银行授信评估标准主要是为大型企业设计的,很难匹配中小企业的融资需求.因此,为了满足商业银行的信贷标准,很多中小企业通过相互担保的方式来获得融资贷款.当越来越多的企业参与进来时,它们之间就形成了结构复杂的担保网络.这对国家金融安全来说是一把双刃剑.一方面,担保贷款有助于企业迅速筹集基金,加速发展;另一方面,在错综复杂的担保网络中,个体的信贷风险更容易导致系统性、行业性的违约发生.当前针对中小企业信贷风险的研究仍然停留在个体风险评估方面,缺少从总体担保网络的视角进行综合评价.因此,本文提出了大数据场景下的担保信贷风险评估方法,其中包括信贷风险传播和预测的概率图模型、处理不均衡样本的正加权k近邻方法、设计了其在海量数据情况下的分布式算法框架并且在Spark框架中进行了开发和实现.最后在真实的金融担保网络数据集上验证本文提出的方法的有效性,结果表明本文提出的方法在信贷违约预测任务中明显优于其他对比方法,在传播阶数为4的时候最为明显.在大数据平台上的性能实验结果表明:本文设计的分布式算法框架获得了5倍以上的性能提升,同时保持了算法性能的准线性扩展性.     

基于神经网络模型的网络借贷高危企业信用风险的识别研究

网络借贷的飞速发展在一定程度上缓解了小微型企业融资难的问题,但也暴露出网络借贷平台信用风险的识别问题。为充分识别高危网贷企业的特征,以中小型网贷企业为样本,通过指标筛选,挑选出与风险识别相关度较高的指标作为指标变量。并利用BP神经网络算法模型得出高危网贷企业在不同条件下的信用风险识别率和信用风险分类正确率。实验结果表明,高危网贷企业的信用风险具有高度识别性,高召回率、高正确率的特点。     

基于信用的联盟链共识算法

针对当前共识算法中存在的共识效率低下和激励机制不足的问题,提出了一种基于信用的联盟链共识算法.首先,根据节点参与共识过程的行为,设计节点信用评估机制,通过信用奖励解决节点间激励机制不足的问题.其次,构造信用区块链和信用计算模型,将节点的信用值进行存储,并作为挑选"矿工"节点的依据,提高了共识算法的效率.最后,提出了分轮次的矿工节点选择算法,利用随机算法和优先级排列算法依次选择矿工节点,并提出节点信用值评估方法,避免节点信用值过大而成为寡头,确保节点成为矿工节点的公平性.实验仿真结果表明,该信用共识算法算力消耗低,出块速度快,相比现有的共识算法具有更好的性能,可以很好地应用于商业和医疗等联盟链场景.     

动态供应链网络中企业合作关系的链路预测

随着经济全球化的推进,供应链由传统的单链形式逐渐演变成供应链网络.这类复杂供应链网络由不同类型的企业构成,为了适应外部环境的变化,企业与企业之间以供需为目的形成的合作关系随着时间不断改变.致力于动态供应链网络中企业合作关系的预测,提出一种基于投影和时间事件的链路预测模型,将动态供应链网络划分为由若干个时间片组成的网络快...     

基于IHSA_LSSVM的供应链绩效评估研究

为有效评估供应链绩效,结合和声搜索算法(IHSA)与最小二乘支持向量机,提出一种评估算法(IHS_LSSVM)。研究和声搜索算法的原理,对基音调整概率和基音调整步长进行动态调整,给出一种改进的和声搜索算法。利用该算法的全局搜索能力优化选取LSSVM的惩罚因子r和高斯核函数的半径σ。采用供应链绩效评估实例,构建供应链评估模型。仿真实验结果表明,与已有的BP神经网络和LSSVM等评估算法相比,IHS_LSSVM具有更小的预测误差和更高的预测精度。     

基于智能合约和企业信用的访问控制模型

传统供应链服务的发展面临诸多痛点, 包括造假风险、企业信息孤岛、核心企业信用不能跨级传递、违约风险高等. 针对供应链企业信息孤岛以及非法用户对网络资源的非授权访问等问题, 本文提出了一种基于智能合约和企业信用的访问控制模型, 用以保障果品质量溯源系统的数据安全性和完整性. 该模型将RBAC和ABAC相结合, 以智能合约...     

基于SMOTE和XGBoost的贷款风险预测方法

近年来,随着在线信贷的飞速发展,贷款总量不断加大,违约概率不断提升。因此对贷款风险进行深入研究,对在线信贷企业预防互联网金融风险是非常具有现实意义的。针对贷款数据非平衡分布、大量噪声、维度高的问题,本文提出一种基于SMOTE和XGBoost的贷款风险预测方法。通过特征工程对数据进行降维和去噪;针对数据的非平衡问题,使用SMOTE算法进行过采样,平衡正负样本数目;基于以上工作,构建XGBoost分类模型,与一些传统分类算法进行对比,然后对比在不同正负样本比例时,预测结果的有效性。实验表明,相比于传统分类模型,XGBoost算法在贷款风险预测模型中具有更好的效果,通过SMOTE算法增加少数类样本的比例可以提高预测结果的有效性。     

Credit scoring for a microcredit data set using the synthetic minority oversampling technique and ensemble classifiers

Although microfinance organizations play an important role in developing economies, decision support models for microfinance credit scoring have not been sufficiently covered in the literature, particularly for microcredit enterprises. The aim of this paper is to create a three‐class model that can improve credit risk assessment in the microfinance context. The real‐world microcredit data set used in this study includes data from retail, micro, and small enterprises. To the best of the authors' knowledge, existing research on microfinance credit scoring has been limited to regression and genetic algorithms, thereby excluding novel machine learning algorithms. The aim of this research is to close this gap. The proposed models predict default events by analysing different ensemble classification methods that empower the effects of the synthetic minority oversampling technique (SMOTE) used in the preprocessing of the imbalanced microcredit data set. Initial results have shown improvement in the prediction results for certain classes when the oversampling technique with homogeneous and heterogeneous ensemble classifier methods was applied. A prediction improvement for all classes was achieved via application of SMOTE and the Consolidated Trees Construction algorithm together with Rotation Forest. To obtain a complete view of all aspects, an additional set of metrics is used in the evaluation of performance.     

基于联盟效应的医药物流中心选址模型及算法

针对医药供应链物流系统,分析了药品供应链物流的需求特征,阐述了药品供应链中生产企业、批发企业构建共享物流中心的意义,提出了一种三方合作效益最大化的物流联盟结构模式。建立了药品物流联盟物流中心节点选址的双层规划模型,上层规划以联盟效益最大化为目标,下层规划考虑联盟博弈的Shapley分配模式,体现了各参与方的利益分配最大化,并设计了遗传算法的求解模式。算例测试结果表明,该方法与算法具有较强的实践可操作性,可以作为物流节点选址决策的参考方法。     

Comparison of individual,ensemble and integrated ensemble machine learning methods to predict China’s SME credit risk in supply chain finance

Supply chain finance (SCF) becomes more important for small- and medium-sized enterprises (SMEs) due to global credit crunch, supply chain financing woes and tightening credit criteria for corporate lending. Currently, predicting SME credit risk is significant for guaranteeing SCF in smooth operation. In this paper, we apply six methods, i.e., one individual machine learning (IML, i.e., decision tree) method, three ensemble machine learning methods [EML, i.e., bagging, boosting, and random subspace (RS)], and two integrated ensemble machine learning methods (IEML, i.e., RS–boosting and multi-boosting), to predict SMEs credit risk in SCF and compare the effectiveness and feasibility of six methods. In the experiment, we choose the quarterly financial and non-financial data of 48 listed SMEs from Small and Medium Enterprise Board of Shenzhen Stock Exchange, six listed core enterprises (CEs) from Shanghai Stock Exchange and three listed CEs from Shenzhen Stock Exchange during the period of 2012–2013 as the empirical samples. Experimental results reveal that the IEML methods acquire better performance than IML and EML method. In particular, RS–boosting is the best method to predict SMEs credit risk among six methods.