SCIQ1金融顶刊复现：机器学习小微企业信用风险评估模型

SCIQ1金融顶刊复现：机器学习小微企业信用风险评估模型

标题

收录期刊Heliyon

论文概述

该论文有12页，Toby老师对此论文进行概述。

本研究通过机器学习技术，特别是在处理不平衡数据集和信用风险评估方面，为小微企业的信用风险管理提供了新的视角和工具。研究结果不仅在理论上有所贡献，也为实践界提供了有价值的参考。

论文数据集描述

Toby老师分析，这20个变量大多数是公司财务数据，20个变量有些偏少，经过变量筛选后，入模变量会更少。如果能保证15-20个变量入模，维度是合适的。数据量方面只有850个，对于金融数据，样本量偏少，我们重庆未来之智公司的企业信贷数据集有几十万条。从统计学角度，850个样本是足够的，这论文数据质量没有问题，收集的变量是核心变量。

论文配图解读

Toby老师认为该论文图片做的挺不错，让编辑对建模过程一目了然。

这张图片展示了一个关于小型和微型企业信用风险评估的研究流程图。流程图分为几个主要部分，具体如下：

整个流程图展示了从数据收集到最终信用评级的完整研究过程，以及在研究过程中使用的各种方法和工具。

论文多算法比较评价

我们选择前八个变量作为预测变量，而小微企业的信用度作为响应变量。对于我们的预测建模，我们采用了四种著名的机器学习算法，这些算法因其在信用评估方面的熟练程度而闻名：XGBoost、决策树、随机森林和支持向量机[47]。每个算法都使用贝叶斯优化进行微调，处理相同的特征子集。随机选择的75%原始数据集被指定用于训练模型，并应用SMOTE技术来解决数据不平衡问题。剩下的25%作为测试集，评估这些模型的性能。

下述四个算法AUC，accuracy，f1分数都很高，难免让人可疑。根据Toby老师多年经验，存在这三个指标接近1的情况可能是：

1.模型过度拟合：特别是非平衡数据处理不当时候可能导致

2.数据泄露：存在可疑变量，造成数据泄露，模型AUC接近1

3.数据质量非常好：Toby老师也见过少数真实数据集，这三值个接近1，这些数据一般是从商业数据库整合而来。

模型分数阈值评价

Toby老师点评一下，真正意义上信用评分卡是逻辑回归模型通过calibration技术转化而成，中间有复杂数据处理过程，包括变量分箱（卡方，kmean，决策树算法），WOE转换，预设p0,pd0等参数。XGBoost模型的信用评分卡这种叫法并不准确，xgboost是通过对原始数据建模，并没有通过分箱和WOE转换处理，但calibration技术可以实现。因此Toby老师认为作者描述XGBoost模型的信用评分卡会给读者带来认知误区，认为xgboost也能构建和逻辑回归一样评分卡模型。

作者设置650分可以有效分离大多数样本，说明作者在金融风控领域业务方可能有丰富工作经验或较深认知能力，Toby老师对其表示赞赏。设置分数阈值是业务方常用方法。

论文非平衡数据处理评价

该学生抽样从论文的非平衡数据处理来看，做了大量实验，包括过采样，欠采样，SMOTE技术。

Toby老师论文复现

我方重庆未来之智信息技术咨询服务有限公司有十几个企业信用风险数据集，下面展示一个经典企业信用风险的数据集，2023年数字中国创新大赛-金融大数据应用：企业信贷风险防控。

变量如下

数据可视化和探索性分析，我们可以发现target目标变量存在明显的非平衡数据情况，违约企业只占少数。之后我们会复现论文中SMOTE算法处理不平衡样本。

通过数据挖掘，我们发现数据集有多个强变量，例如预计未来一年贷款金额,征信评级,近一个月流水总额,客户评级,结清时长,是否提前结清。

Toby老师通过SMOTE算法适度增加逾期客户数量。

SMOTE（SyntheticMinorityOver-samplingTechnique）是一种流行的处理不平衡数据集的方法。它通过生成合成的少数类样本来平衡数据集，而不是简单地复制现有的少数类样本。以下是SMOTE算法的基本原理和步骤：

SMOTE算法的优势在于，它不仅可以简单地复制少数类样本，还可以生成新的样本，从而增加数据集中少数类的多样性。这有助于提高分类模型对少数类的识别和分类能力。然而，SMOTE也有其局限性，包括可能产生噪声数据、可能导致过拟合，以及对少数类样本分布的敏感性。

汇总

论文建模定制服务

《SCIQ1金融顶刊复现：机器学习小微企业信用风险评估模型》就为大家介绍到这里。重庆未来之智信息技术咨询服务有限公司专业从事AI机器学习建模，为国内外多家金融公司建立模型。公司客户包括国内诸多金融机构，银行，证券公司，科研所。

同时我们也为科研高端人群提供论文定制服务，包括毕业论文和学术论文。