基于python的银行信贷风险评估系统

最新推荐文章于 2024-09-15 22:31:42 发布

雅致教育

最新推荐文章于 2024-09-15 22:31:42 发布

阅读量290

点赞数

分类专栏：大数据 python 文章标签： python 开发语言

本文链接：https://blog.csdn.net/m0_73484725/article/details/133816152

版权

python 同时被 2 个专栏收录

127 篇文章 8 订阅

订阅专栏

大数据

30 篇文章 3 订阅

订阅专栏

本文介绍了使用Python和XGBoost构建的银行信贷风险评估平台，通过对用户基础信息和行为数据的分析，发现违约用户特征，并利用决策树模型进行用户风控预警，AUC指标达到0.72，实现了信贷风险的有效管理。

摘要由CSDN通过智能技术生成

欢迎大家点赞、收藏、关注、评论啦，由于篇幅有限，只展示了部分核心代码。

文章目录

一项目简介

二、任务描述
三、数据探索式分析
四、利用决策树模型构建用户风控预警
五、基于python的银行信贷风险评估平台
七. 总结

一项目简介

信贷业务又称为信贷资产或贷款业务，是商业银行最重要的资产业务，通过放款收回本金和利息，扣除成本后获得利润，所以信贷是商业银行的主要赢利手段。

信用风险是金融监管机构重点关注的风险，关乎金融系统运行的稳定，银行会根据客户的资质来评定，比如征信，贷款额度，贷款的用途，贷款的时间，还款的能力，收入的稳定性等多方面去分析。

二、任务描述

利用用户基础信息、行为数据，预测用户违约的可能性。

数据集：

训练集：102030 条
测试集：30000 条
（1）用户基本属性信息

id：用户唯一标识
certId：证件号
gender：性别
age：年龄
dist：所在地区
edu：学历
job：工作单位类型
ethnic：民族
highestEdu：最高学历
certValidBegin：证件号起始日
certValidStop：证件号失效日
（2）借贷相关信息

loanProduct：借贷产品类型
lmt：预授信金额
basicLevel：基础评级
bankCard：放款卡号
residentAddr：居住地
linkRela：联系人关系
setupHour：申请时段
weekday：申请日
（3）用户征信相关信息

ncloseCreditCard：失效信用卡数
unpayIndvLoan：未支付个人贷款金额
unpayOtherLoan：未支付其他贷款金额
unpayNormalLoan：未支付贷款平均金额
5yearBadloan：五年内未支付贷款金额
x_0至x_78：该部分数据涉及较为第三方敏感信用数据，匿名化处理，不影响建模和数据分析

三、数据探索式分析

系统采用 flask 搭建 web 后台，利用 pandas 等工具包实现对当前城市二手房现状、二手房价格影响因素等进行统计分析，并利用 bootstrap + echarts 进行前端渲染可视化。系统通过构建机器学习模型（决策树、随机森林、神经网络等模型），对二手房价格进行预测。

（1）违约用户数量分布
在这里插入图片描述

可以看出，违约的用户较少，只占0.7%，样本不均衡，评测指标需要采用 AUC 或 F1 指标，本实验中采用 AUC 指标。

（2）违约用户性别分布

在这里插入图片描述

可以看出，违约用户的年龄差别较大，大部分为男性 gender=1

（3）违约用户年龄分布

在这里插入图片描述

可以看出，违约用户年龄集中在 19-35 岁之间。

（4）违约用户教育程度分布
在这里插入图片描述

（5）违约用户工作单位类型分布

在这里插入图片描述

（6）不同借贷产品类型的违约比例分布

在这里插入图片描述

（7）不同借贷产品类型的违约随时间变化趋势

在这里插入图片描述

不同借贷产品类型的违约随时间变化存在一定的周期性。

（8）预授信金额分布
在这里插入图片描述

可以看出，预授信金额大于40的，都为风险用户。

（9）基础评级分布
在这里插入图片描述

（10）用户的民族分布情况

在这里插入图片描述

民族类别大于26编号的，大都为有风险用户

（11）用户最高学历分布情况
在这里插入图片描述

（12）用户申请信用卡时段分布

在这里插入图片描述

申请信用卡的时段大都集中在白天，晚上20时存在峰值。

（13）用户申请信用卡时段分布
在这里插入图片描述

（14）用户第三方敏感信用数据相关性分析

在这里插入图片描述

四、利用决策树模型构建用户风控预警

XGBoost是一套提升树可扩展的机器学习系统。目标是设计和构建高度可扩展的端到端提升树系统。提出了一个理论上合理的加权分位数略图来计算候选集。引入了一种新颖的稀疏感知算法用于并行树学习。提出了一个有效的用于核外树形学习的缓存感知块结构。用缓存加速寻找排序后被打乱的索引的列数据的过程。XGBoost是一个树集成模型，他将K（树的个数）个树的结果进行求和，作为最终的预测值。

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import auc, roc_curve
from sklearn.metrics import accuracy_score, precision_score, recall_score

def evaluate_score(predict, y_true):
    """定义评估函数"""
    false_positive_rate, true_positive_rate, thresholds = roc_curve(y_true, predict, pos_label=1)
    auc_score = auc(false_positive_rate, true_positive_rate)
    return auc_score

五、基于python的银行信贷风险评估平台

在完成数据的探索式分析和机器学习算法建模之后，我们利用 flask + bootstrap + echarts 搭建银行信贷风险评估平台，其可视化效果如下：

6.1 系统注册登录
在这里插入图片描述

6.2 违约用户特征分析
在这里插入图片描述

6.3 借贷产品违约分析
在这里插入图片描述

6.4 信用卡信息分析

在这里插入图片描述

6.5 用户风控预警决策树建模

在这里插入图片描述

七. 总结

本文利用 python 的 pandas、numpy，Matplotlib、seaborn等数据分析工具包，完成对银行信贷数据的可视化分析，对不同特征维度进行可视化，并利用 xgboost 决策树模型对数据进行建模，划分训练集、验证集和测试集，通过参数调优，最终测试集的 AUC 指标达到 0.72，取得了良好的评测效果。