CN112700326A - 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 - Google Patents
一种基于灰狼算法优化bp神经网络的信贷违约预测方法 Download PDFInfo
- Publication number
- CN112700326A CN112700326A CN202110026423.0A CN202110026423A CN112700326A CN 112700326 A CN112700326 A CN 112700326A CN 202110026423 A CN202110026423 A CN 202110026423A CN 112700326 A CN112700326 A CN 112700326A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wolf
- algorithm
- default prediction
- credit default
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Technology Law (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于灰狼算法优化BP神经网络的信贷违约预测方法,对训练样本数据集和测试样本数据集进行归一化处理,建立网络拓扑结构。随机初始化灰狼种群。构造信贷违约预测神经网络适应度函数,计算灰狼个体的适应度值,并按照适应度值的排序,判断是否满足条件满足预定的最大迭代次数;利用改进的灰狼算法获得的权值和阈值进行BP神经网络训练。进行信贷用户违约预测,对神经网络的输出进行反归一化处理,得出预测结果本发明通过灰狼的过程优化网络结构参数,充分利用GWO算法的全局搜索能力优化BP神经网络的初始权值和阈值,避免BP神经网络易陷入局部最小问题,有效提高BP神经网络信贷违约预测的精度和稳定性。
Description
技术领域
本发明属于互联网金融风控技术领域,具体涉及一种基于灰狼算法优化BP神经网络的信贷违约预测方法。
背景技术
近年来,随着我国经济的不断发展,互联网金融也随之高速发展,而互联网金融公司的核心在于风险控制。借款人信贷违约预测模型成为成为了一种有效的风控手段,可以通过借贷人的一些个人信息或者数据来发现潜在的违约风险,从而提高借贷业务的安全水平,带来更高的经济效益。
智能算法是人们在对自然的探索中,受到自然界规律启发,按照其原理设计的算法,其中例如遗传算法、蚂蚁算法、粒子群算法等智能算法早已应用到了预测领域上,然而在信贷违约预测领域上,哪怕是模型的一点误差,都会导致公司损失巨大的利益,所以建立风控体系,以及信贷违约预测模型至关重要。本文针对灰狼算法收敛速度慢,易陷入局部最优解,精度不高的缺点,提出自适应灰狼算法。然后将优化后的灰狼算法和BP神经网络相结合,提出一种基于灰狼算法优化BP神经网络的信贷违约预测方法。该方法能够对借贷者的个人信息以及数据做出高精度的判断,能够为互联网金融公司贷款的发放提供依据。
发明内容
本发明要解决的技术问题是,提供一种基于灰狼算法优化BP神经网络的信贷违约预测方法,通过对借款人进行分析,做出贷后是否可能存在违约行为的预测,能够在互联网金融借贷领域内起到风险控制的作用。
本发明提供的技术方案如下:
一种基于灰狼算法优化BP神经网络的信贷违约预测方法,首先,利用信贷用户数据的特征,建立神经网络预测模型;进一步,利用改进灰狼算法优化(IGWO)BP神经网络的权值和阈值,进行信贷用户违约预测评估。具体过程包括如下几个步骤:
步骤a:信贷样本数据预处理,对训练样本数据集和测试样本数据集进行归一化处理,计算公式如下:
式中max为样本数据的最大值,min为样本数据的最小值,归一化后的x*取值范围为[-1,1]。
步骤b:选择适用于信贷违约预测的BP神经网络的结构,建立n*m*1三层网络拓扑结构,确定n,m,1取值,其中,n为输入层节点数,m为隐含层节点数,1为输出层节点数。
步骤c:针对于信贷违约预测场景下对基本参数初始化,设置种群规模N,最大迭代次数Tmax,随机生成a,A,C等参数,开始随机初始化灰狼种群。
步骤d:构造信贷违约预测神经网络适应度函数,计算灰狼个体的适应度值,并按照适应度值的排序,选择前三个最好的狼记录为α,β,δ,利用下列公式更新剩余灰狼的位置,并且更新a,A,C的值计算公式如下:
式中W1,W2,W3分别表示ω狼对α,β,δ狼的学习率,X1,X2,X3分别表示α,β,δ狼的当前位置。
步骤e:判断算法是否满足条件满足预定的最大迭代次数Tmax,则停止计算,输出最优位置α,否则重复执行步骤d。
步骤f:利用改进的灰狼算法获得的权值和阈值进行BP神经网络训练。
步骤g:进行信贷用户违约预测,对神经网络的输出进行反归一化处理,得出预测结果,计算公式如下:
x=0.5(x*+1)(xmax-xmin)+xmin
与现有技术相比,本发明具有以下明显的优势和有益效果:
(1)本发明的优点在于设计了一种基于灰狼算法优化BP神经网络的信贷违约预测方法,优化灰狼算法的收敛因子和加入动态权重,提高算法的全局搜索能力,有效避免陷入局部最优解问题。
(2)改进的灰狼算法优化BP神经网络将BP神经网络的权值和阈值作为IGWO待优化的参数,通过灰狼的---过程优化网络结构参数,充分利用GWO算法的全局搜索能力优化BP神经网络的初始权值和阈值,避免BP神经网络易陷入局部最小问题,有效提高BP神经网络信贷违约预测的精度和稳定性。
附图说明
图1为本发明的基于灰狼算法优化BP神经网络的信贷违约预测方法的具体流程图;
图2为BP神经网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1所示,本发明基于灰狼算法优化BP神经网络的信贷违约预测方法包括以下步骤:
1.对信贷违约预测训练样本数据集和测试样本数据集进行归一化处理,计算公式如下:
式中max为样本数据的最大值,min为样本数据的最小值,归一化后的x*取值范围为[-1,1]。
2.选择适用于信贷违约预测的BP神经网络的结构,BP神经网络结构如图2所示建立n*m*1三层网络拓扑结构,确定n,m,1取值,其中,n为输入层节点数,m为隐含层节点数,1为输出层节点数。
3.初始化基本参数,设置种群规模N,最大迭代次数Tmax,随机生成a,A,C等参数,开始随机初始化灰狼种群。
4.构造信贷违约预测神经网络适应度函数,计算灰狼个体的适应度值,并按照适应度值的排序,选择前三个最好的狼记录为α,β,δ,利用下列公式更新剩余灰狼的位置,并且更新a,A,C的值计算公式如下:
X(t+1)=X1·Wα+X2·Wβ+X3·Wδ
式中Wα,Wβ,Wδ分别表示α,β,δ狼所占的权重,fα,fβ,fδ分别表示α,β,δ狼的适应度值,W1,W2,W3分别表示ω狼对α,β,δ狼的学习率,X1,X2,X3分别表示α,β,δ狼的当前位置。
通过实验,可以发现,上述公式中下面两行的比例权重对收敛速度的优化效果更好,因此采取基于步长欧式距离的比例权重。
5.判断算法是否满足条件满足预定的最大迭代次数Tmax,则停止计算,输出最优位置α,否则重复执行步骤4。
6.利用改进的灰狼算法获得的权值和阈值进行BP神经网络训练。
7.进行信贷用户违约预测,对神经网络的输出进行反归一化处理,得出预测结果,计算公式如下:
x=0.5(x*+1)(xmax-xmin)+xmin
为验证本发明的改进灰狼优化BP神经网络算法(即IGWO-BP算法)的有效性和可行性,利用MATLAB工具分别对基于单独BP神经网络算法、GWO-BP算法和IACO-BP算法的信贷违约预测评估模型进行仿真实验;为了避免结果的偶然性,对每种算法做8次仿真实验,观察各均方误差,并取8次仿真实验中均方误差的算术平均值表征三种算法评估信贷违约预测的精度,实验结果见表1和表2:
表1三种算法评估可靠性均方误差(MSE)
由表1可知,GWO-BP算法所求解的可靠度的误差精度明显高于BP算法模型,引入改进的灰狼算法后的IGWO-BP算法模型,进一步提高了GWO-BP算法模型的评估精度,有效的提高了可靠度的评估精度。
表2三种算法评估可靠性均方误差(MSE)统计数据
算法 | MES平均值 | MSE标准差 |
BP | 7.12*10<sup>-4</sup> | 1.93*10<sup>-4</sup> |
GWO-BP | 1.78*10<sup>-5</sup> | 1.56*10<sup>-5</sup> |
IGWO-BP | 4.34*10<sup>-7</sup> | 6.35*10<sup>-7</sup> |
由表2的描述性统计数据可知,在多次随机仿真实验中,IGWO-BP计算出的期望可靠度与实际可靠度的均方误差均值相对于GWO-BP和单独BP有了明显降低,并且IGWO-BP算法模型计算的MSE均值的标准差明显小于GWO-BP算法模型和单独BP算法模型计算出的标准差,这说明IGWO-BPP算法模型在可靠性评估中,具有高度的有效性和稳定性。IGWO-BP算法降低了信贷违约预测的预测误差,有效提高了可靠性评估的精度和稳定性,为信贷违约预测可靠性评估与预测问题提供了一种新的方法和途径。
上述实施例仅仅是为了说明本发明所做的举例,而并非是对本发明实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于灰狼算法优化BP神经网络的信贷违约预测方法,其特征在于:具体包括如下几个步骤:
步骤a:信贷样本数据预处理,对训练信贷样本数据集和测试样本数据集进行归一化处理;
步骤b:选择适用于信贷违约预测的BP神经网络的结构,建立n*m*1三层网络拓扑结构,确定n,m,1取值,其中,n为输入层节点数,m为隐含层节点数,1为输出层节点数;
步骤c:针对于信贷违约预测场景下对基本参数初始化,设置种群规模N,最大迭代次数Tmax,随机生成a、A、C参数,开始随机初始化灰狼种群;
步骤d:构造信贷违约预测神经网络适应度函数,计算灰狼个体的适应度值,并按照适应度值的排序,选择前三个最好的狼记录为α,β,δ,更新剩余灰狼的位置,并且更新a,A,C的值;
步骤e:判断算法是否满足条件满足预定的最大迭代次数Tmax,则停止计算,输出最优位置α,否则重复执行步骤d;
步骤f:利用改进的灰狼算法获得的权值和阈值进行BP神经网络训练;
步骤g:进行信贷用户违约预测,对神经网络的输出进行反归一化处理,得出预测结果。
4.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的信贷违约预测方法,其特征在于:步骤g中,计算公式如下:
x=0.5(x*+1)(xmax-xmin)+xmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026423.0A CN112700326A (zh) | 2021-01-08 | 2021-01-08 | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026423.0A CN112700326A (zh) | 2021-01-08 | 2021-01-08 | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700326A true CN112700326A (zh) | 2021-04-23 |
Family
ID=75513631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110026423.0A Pending CN112700326A (zh) | 2021-01-08 | 2021-01-08 | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700326A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
CN113839926A (zh) * | 2021-08-31 | 2021-12-24 | 哈尔滨工业大学 | 一种基于灰狼算法特征选择的入侵检测***建模方法、***及装置 |
CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
CN114091341A (zh) * | 2021-11-26 | 2022-02-25 | 江苏科技大学 | 一种基于igwo-bp的变压器故障诊断方法 |
CN116993490A (zh) * | 2023-08-15 | 2023-11-03 | 广州佳新智能科技有限公司 | 一种基于人工智能的银行场景自动处理方法及*** |
-
2021
- 2021-01-08 CN CN202110026423.0A patent/CN112700326A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
CN113449474B (zh) * | 2021-07-05 | 2023-10-13 | 南京工业大学 | 改进灰狼算法优化bp神经网络管材成形质量预测方法 |
CN113839926A (zh) * | 2021-08-31 | 2021-12-24 | 哈尔滨工业大学 | 一种基于灰狼算法特征选择的入侵检测***建模方法、***及装置 |
CN113839926B (zh) * | 2021-08-31 | 2023-09-22 | 哈尔滨工业大学 | 一种基于灰狼算法特征选择的入侵检测***建模方法、***及装置 |
CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
CN114091341A (zh) * | 2021-11-26 | 2022-02-25 | 江苏科技大学 | 一种基于igwo-bp的变压器故障诊断方法 |
CN116993490A (zh) * | 2023-08-15 | 2023-11-03 | 广州佳新智能科技有限公司 | 一种基于人工智能的银行场景自动处理方法及*** |
CN116993490B (zh) * | 2023-08-15 | 2024-03-01 | 广州佳新智能科技有限公司 | 一种基于人工智能的银行场景自动处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
WO2021164250A1 (zh) | 一种湍流场更新方法、装置及其相关设备 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及*** | |
CN114022693B (zh) | 一种基于双重自监督的单细胞RNA-seq数据聚类方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN110689427A (zh) | 一种基于生存分析的消费分期违约概率模型 | |
CN112163671A (zh) | 一种新能源场景生成方法及*** | |
CN115510042A (zh) | 基于生成对抗网络的电力***负荷数据填补方法及装置 | |
CN115019510A (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
CN115526333A (zh) | 边缘场景下动态权重的联邦学习方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
Zhu et al. | Loan default prediction based on convolutional neural network and LightGBM | |
CN111274791B (zh) | 一种线上家装场景下用户流失预警模型的建模方法 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理*** | |
CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
Horng et al. | Ordinal optimization of G/G/1/K polling systems with k-limited service discipline | |
CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
CN115470520A (zh) | 一种在垂直联邦框架下的差分隐私及去噪的数据保护方法 | |
Li et al. | Study of personal credit evaluation method based on PSO-RBF neural network model | |
CN113723593A (zh) | 一种基于神经网络的切负荷预测方法及*** | |
CN114004513A (zh) | 一种需求预测方法、***及存储介质 | |
Ren et al. | Research of LSTM-RNN Model and Its Application Evaluation on Agricultural Products Circulation | |
CN113158088A (zh) | 一种基于图神经网络的位置推荐方法 | |
CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210423 |
|
WD01 | Invention patent application deemed withdrawn after publication |