[发明专利]一种基于强化学习的P2P网络借贷机构风险评估方法

说明书

本发明提出一种基于强化学习的P2P网络借贷机构风险评估方法，属于网络大数据处理及电子信息技术领域。包括：首先，采集P2P网贷企业的公司简介文本信息，进行分词；然后，对所有文档的词，使用信息增益提取关键词；其次，使用Max‑min ACLA算法构造强化学习模型；在强化学习模型的训练过程中，采用动态改变权重的方法更新样本权重；最后，利用训练好的强化学习模型对待评估机构进行风险评估。本发明采用了强化学习模型来解决文本分类数据少且数据不平衡的问题，同时通过动态更新样本权重的方法加快模型训练的收敛速度，节省了大量时间，使其具有更强的实用性。本发明针对公司简介文本提取关键词特征，非常易于实现。

技术领域

本发明涉及网络大数据处理及电子信息技术，具体涉及一种基于强化学习的P2P网络借贷机构风险评估方法。

背景技术

P2P(Peer-to-peer，个人对个人或是伙伴对伙伴)网络借贷是指通过在线服务向个人或企业贷款，它向借贷者直接匹配贷款人，通过网上交易，P2P网贷使得无需通过任何传统的金融中介机构的微型金融成为可能[1]。近年来，P2P网络借贷在全球尤其是中国发展迅速，其中，P2P网络借贷机构为借款人和贷款人提供交易平台[2]。自2008年第一个中国P2P平台—拍拍贷成立以来，越来越多的P2P网络借贷公司涌现出来。根据第三方网络借贷平台网贷之家(http：//shuju.wdzj.com/industry-list.html，简称“HNL”)的统计，已经有超过4000家中国P2P网贷公司。但随着P2P借贷公司的快速发展，这些公司的风险也逐渐暴露出来。例如，宣称用户数超过2亿，营业额超过500亿的钱宝网在2017年8月坐实跑路。P2P网络借贷机构的风险通常会给投资人造成一些损失。因此，加强对这些机构的监督和实现风险的自动评估是很有必要的。

在网络大数据时代，由于数据量很大，并且非结构化的自然语言文本信息很多，传统的数据收集和分析方法用于监管和风险分析，不仅耗时费力，并且无法适应数据的增长速度。因此，探索使用机器学习[3]的方法完成基于非结构化自然语言文本信息的企业风险的自动评估具有重要的理论意义和应用价值。此外，P2P网络借贷是一种新型的金融业务模式，目前可用的数据较少，且各类数据不平衡，未来将继续增长和变化，传统的监督学习方法无法很好的适应。在机器学习、深度学习领域，与其它技术相比，强化学习具有对环境先验知识要求低、自学习能力强等特点，使其成为近几年十分热门的一个分支。尽管强化学习在很多领域应用中已经取得了突破性的进展，但在企业风险评估分析方面的应用却很少见到。

目前为止，关于P2P风险方面的研究主要集中在如何评估借款人的信用风险和违约风险[4]，只有较少的研究涉及P2P中介机构风险[5]。而机器学习在金融风险评估方面的应用还处于初期阶段，Bao等[6]利用LDA主题模型在公司年度报告的文字风险披露中发现和量化风险类型；Yuan等[7]使用潜在语义模型预测众筹项目的筹资结果。

强化学习已经应用在很多领域，如机器人的智能学习[8]、自动化控制[9]、游戏比赛[10]等。而在金融领域，对强化学习的研究主要集中在股票市场，Deng等提出了一种深度强化学习框架来进行金融信号处理和在线交易。

通过以上研究发现，P2P网络借贷的问题主要是缺乏对平台风险的关注以及缺乏自动风险评估方法。传统评估方法多是基于各种数值型结构化数据进行的，就P2P网络借贷风险评估这个问题，通过调查发现，有一个重要的问题就是数据受限，全国只有这些数据，不同风险类别之间数据极不平衡，随着时间的推移，很多公司的风险状况会很快发生改变，甚至倒闭。这就要求评估方法不能太受数据影响，具有较好的泛化能力，但这些恰是传统基于机器学习的分类方法的弱点，传统方法更多依赖于数据量和特征抽取。

参考文献：