作者
张 帆
文章摘要
本文基于阿里天池数据集，构建以Stacking模型为核心的个人信用风险与贷款违约预测模型。采用SMOTE算法以解决数据不平衡问题，并结合随机森林与相关系数法进行特征选择，同时通过网格搜索法优化基分类器参数。研究结果表明，Stacking模型在准确率、召回率、F1值和AUC值等评估指标上均优于单一模型，其中F1值达到0.986，AUC值为0.994。该研究验证了Stacking模型在信用风险与贷款违约预测中的有效性，为金融机构风险控制提供了理论支撑与实践参考。
文章关键词
SMOTE过采样；信用风险评估；Stacking堆叠模型；随机森林算法
参考文献
[1] 贾颖,赵峰,李博,葛诗煜.贝叶斯优化的 XGBoost 信用风险评估模型[J].计算机工程与应用,2023,59(20):283-294.
[2] 戴蓓蓓.基于组合预测模型的商业银行个人信贷风险预测[J].经济研究导刊,2022,(35):69-72.
[3] 顾清华,宋思远,张新生,暴子旗.基于改进 BS-Stacking 模型的个人信用风险评估方法研究[J].运筹与管理,2023,32(08):137-144.
[4] 牛晓健,凌飞.基于组合学习的个人信用风险评估模型研究[J].复旦学报(自然科学版),2021,60(06):703-719.
[5] 陈巩,李占利,朱莉.多尺度深度特征融合的个人信用风险预测[J].计算机工程与科学,2023,45(12):2265-2273.
[6] 梁龙跃,王浩竹.基于图卷积神经网络的个人信用风险预测[J].计算机工程与应用,2023,59(17):275-285.
Full Text:
DOI
