基于自然语言处理与深度学习的信用贷款评估模型

针对目前信用贷款评估模型存在特征预处理复杂、受主观因素干扰、准确率较低的现象，提出一种新模型。该模型先组建连续性信贷特征文本数据，并使用Word2Vec算法进行词向量化后通过词嵌入层衔接CNN（卷积神经网络）进行评估，通过Keras框架并依据2008~2018年的银行个人信贷数据进行实证分析。结果表明：新模型的总体评估准确率高达91.7%，无需对缺失特征进行处理并可直接评估，且评估准确率更优异，达到85.8%。新模型将离散型的信贷特征转变为连续性文本，降低特征预处理复杂度，结合Word2Vec与自然语言处理实现直接评估缺失信贷特征的目的，并基于CNN优异的特征分析能力最终提高信贷评估模型鲁棒性，进一步改善了目前信用贷款评估模型中存在的部分问题，同时避免评估中主观因素的干扰。     

面向特征因果分析的CFW-Boost企业财务风险预警模型

当前多数模型一般以单类特征进行财务预警，缺乏多类特征为背景的预警分析，模型的预警准确率及鲁棒性也有待进一步提高。以财务指标及非财务指标构建多类财务特征的前提下，結合特征因果关系集成多棵CART树构建得到CFW-Boost，并利用其他预警模型，对比训练并实证分析CFW-Boost的表现，发现：CFW-Boost对比其他模型，准确率更高、预警表现更稳定；CFW-Boost模型通过特征因果分析降低特征维度，能够很好地避免特征冗余造成对模型鲁棒性的影响；CFW-Boost最优维度的数值最大，表示CFW-Boost相比于其他模型，在高维特征中优异性更强。本文提出的CFW-Boost经实证符合市场规律，可为企业及市场监督部门提供有益参考。