基于卷積神經(jīng)網(wǎng)絡(luò)在征信方面的研究

鮑佳彤

卷積神經(jīng)網(wǎng)絡(luò)（CNN）最早用于手寫數(shù)字識別并一直保持了其在該問題的霸主地位。近年來卷積神經(jīng)網(wǎng)絡(luò)在多個方向持續(xù)發(fā)力，語音識別、人臉識別等方面均有突破。

一、項目簡介

基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的征信系統(tǒng)，作為個人征信系統(tǒng)第三方機構(gòu)，利用合作單位已有大數(shù)據(jù)對卷積神經(jīng)系統(tǒng)進行訓(xùn)練，使系統(tǒng)具有高準確率對未來借貸人交易數(shù)據(jù)進行分析，快速得出是否可提供貸款及借貸金額和時間。

二、項目目標(biāo)

目前我國的個人征信系統(tǒng)主要以銀行的信貸信息和個人繳費信息為參數(shù)，在未來借貸人信用預(yù)測方面仍有缺陷。利用卷積神經(jīng)網(wǎng)絡(luò)的征信系統(tǒng)可以對自然人進行預(yù)測，減少損失，快速得到可否借貸及借貸額度，同時系統(tǒng)本身所具有的傳輸加密功能也能良好防止客戶信息的泄露。

三、項目內(nèi)容

（一）基于卷積神經(jīng)網(wǎng)絡(luò)CNN的征信系統(tǒng)框架

征信作為金融業(yè)的基礎(chǔ)設(shè)施，不是簡單拿到數(shù)據(jù)就可以了，還要對數(shù)據(jù)進行加工或者評價。為此，我們提出了CNN框架來進行征信系統(tǒng)的研發(fā)。

（二）特征工程

將用戶的每條記錄的交易數(shù)據(jù)轉(zhuǎn)換為特征矩陣，通過相應(yīng)的數(shù)據(jù)轉(zhuǎn)化為可以在CNN模型顯示。

（三）CNN建模

模型中共有7層，模型的輸入是一個特征矩陣。前四層分別是卷積層、下采樣層、卷積層和池化層。最后三層則是全連接層。

（四）實驗及模型評估

將任意客戶交易數(shù)據(jù)樣本輸入CNN結(jié)構(gòu)，利用樣本自身差異性和排列多樣性，對結(jié)構(gòu)進行大量重復(fù)訓(xùn)練以提高其識別準確率，從而實現(xiàn)本項目征信系統(tǒng)的不斷完善。后期將真實客戶交易信息，運用CNN征信系統(tǒng)進行實際評級操作，從而來檢驗評估項目系統(tǒng)的實際應(yīng)用準確性。

研究過程部分展示之特征工程部分：

在編程中我們將數(shù)據(jù)中的sex，edu，marry，age，paydue，bill，pay，label，記錄在數(shù)組中，如圖：

首先將借貸人的自然屬性放在中間的6*12的像素格中（img3）。部分代碼如下：

其中金額部分由于數(shù)字過大，我們將數(shù)字除10000后處理，得到的三位數(shù)由于只有100，我們用在兩個像素格里填10表示，兩位數(shù)的我們用十位和個位分別填在不同像素格的表示。

關(guān)于pay，bill和paydue的記錄由于有負數(shù)的存在，所以我們根據(jù)上正下負，左正右負的原則，將他們分別反正圍繞img3的img1（bill和pay中的正數(shù)），img2（bill和pay中的正數(shù)），img4（paydue中的正數(shù)），img5（paydue中的正數(shù)）中。

這樣就基本完成了數(shù)字到圖像的轉(zhuǎn)換，例如，把第2480個人的信息轉(zhuǎn)化為圖像，得到圖像：

四、創(chuàng)新點

（一）引用卷積神經(jīng)網(wǎng)絡(luò)處理征信問題

在此之前由Kokkinaki提出了決策樹和布爾邏輯函數(shù)，對個人進行征信評估。然而效果并不是很理想，因此我們使用CNN可以有效地降低特征冗余，避免模型的過擬合。

（二）特征轉(zhuǎn)化法

CNN可以用于圖像分類和語音信號領(lǐng)域，但并不是所有類型的數(shù)據(jù)都適用于CNN模型，因此提出特征轉(zhuǎn)換的方法。

（三）數(shù)據(jù)預(yù)處理

CNN模型很適合用于海量數(shù)據(jù)的訓(xùn)練，同時它有避免模型過擬合的機制。我們將通過大量基于真實的數(shù)據(jù)進行訓(xùn)練和測試，并在不斷的實驗過程中，降低偏差值。

（四）信息安全性

通過CNN模型生成的熱力圖在行和列的形式上有很強的局部相關(guān)性，保障信息被處理時的隱蔽性，及用戶個人信息的安全性。

五、市場推廣計劃

當(dāng)前中國市面上對CNN技術(shù)并未有特別成熟的應(yīng)用，此領(lǐng)域在市面上屬于藍海市場;同時CNN技術(shù)在 處理征信問題，特征轉(zhuǎn)化法，數(shù)據(jù)預(yù)處理，信息安全性點上的處理都體現(xiàn)了極大的創(chuàng)新性，可以充分完善當(dāng)前信貸機構(gòu)的用戶征信問題，因此CNN的技術(shù)應(yīng)用仍有相當(dāng)大的使用前景。

基金項目：大學(xué)生創(chuàng)新創(chuàng)業(yè)項目：《基于卷積神經(jīng)網(wǎng)絡(luò)在征信方面的應(yīng)用》201810173044。

作者單位：東北財經(jīng)大學(xué)