[发明专利]一种基于萤火虫算法优化Hopfield神经网络的风险评级方法

权利要求书

1.一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，其特征在于，包括以下六个步骤：

S1、确定表现期和风险等级，抽取建模样本客户，获取客户数据作为建模指标体系，所述客户数据包括风险等级和影响还款表现得信用数据；

S2、对采集到的信用数据预处理，包括缺失值处理、异常值剔除和数据标准化，按时间顺序划分训练集数据和测试集数据；

S3、由步骤S2中的样本数据中提取信用数据特征及对应的风险等级，根据样本特征确定Hopfield神经网络的输入量与输出量，搭建Hopfield神经网络模型；

S4、构建Hopfield神经网络的权值阈值与萤火虫算法的映射关系，利用萤火虫算法优化好的Hopfield神经网络的初始权值与阈值，并用训练样本进行训练；

S5、将测试集作为参数寻优过程中的验证集输入训练好的Hopfield神经网络模型进行测试，验证模型的准确性，并以模型精度评价指标与遗传算法、粒子群算法优化的模型进行对比与评价；

S6、将Hopfield神经网络模型部署至贷款平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出风险评级结果，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。

2.根据权利要求1所述的一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，其特征在于，在S1中，信用数据包括：个人信息、贷款信息和操作埋点数据，采集的个人信息数据包括客户号、性别、出生日期、联系方式、居住地、家庭信息、学历、收入情况、负债情况、风险偏好、房屋和车辆的情况、工作所处行业、征信情况等；贷款信息数据分为已有贷款及申请贷款信息，主要包括贷款额度、贷款类型、贷款利率、贷款期限、每月归还额度；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。

3.根据权利要求1所述的一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，其特征在于，在S1中，设置贷款表现窗口为6个月，5个信用风等级为：良好、安全、一般、危险、损失，分别定义为：未出现逾期为良好，历史最大逾期天数在(0，3]为安全，历史最大逾期天数在(3，15]为一般，历史最大逾期天数在(15，30]为危险，历史最大逾期天数大于30为损失。控制各信用风等级样本的比例，从全部样本中随机抽取样本数据集。

4.根据权利要求1所述的一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，其特征在于，在S2中，在步骤S1获取建模数据后，结合常识和统计学规律对于原始数据进行预处理，首先对数据质量进行检验。包括：用户编号的唯一性、样本完整性、变量的范围和取值、缺失值、异常值等；其次是构建衍生变量，即对原始数据进行处理和加工，以获取更有预测力和解释性的变量，比如累计逾期次数、资产负债比、负债月还资产占比等。

5.根据权利要求1所述的一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，其特征在于，在S2中，由于神经网络复杂，网络对于输入数据比较敏感以及输入数据有着不同的单位和取值范围，各神经网络的激活函数、学习规则不同，为提高神经网络训练收敛速度和预测精度，需先对数据进行归一化处理，计算公式如下：

其中，x_max为样本数据中的最大值；x_min为样本数据中的最小值；x_i为原始样本数据；归一化后结果的取值范围为[-1,1]。