中小微企业的信贷决策

本短文以（20数学建模C-中小微企业的信贷决策_木下瞳的博客-CSDN博客）提供的思路编写，详情思路可见吗木下瞳。

基于客户价值对中小微企业信贷决策研究

摘要

中小微企业目前在我国社会企业市场占比规模高达到九十个百分比，是我国经济发展的主流生产力。所以，我国银行对中小微企业的扶持投资战略尤为重要，银行对中小微企业支持性信贷是解决中小微企业直接的生存命脉。但由于中小微企业规模相对来说较小，也缺少抵押资产，因此银行通常依据信贷政策、企业的交易票据信息和上下游企业的影响力，向实力强、供求关系稳定的企业提供贷款。银行首先根据中小微企业的实力、信誉对其信贷风险做出评估，然后依据信贷风险等因素来确定是否放贷及贷款额度、利率和期限等信贷策略。本文根据银行与企业的信贷数据运用机器智能算法对数据进行处理、数据挖掘，在RFM模型的基础上搭建新YNR模型与KMeans聚类模型帮助银行信贷决策，运用KNN模型、Logic模型对信贷预测助力于银行快速识别中小微企业风险，从而智能决策信贷额度、利率，为银行提供合理分配资源与抗风险机制。

关键词：中小微企业；智能算法；抗风险决策；Python

 

 Research on credit decision of small medium and micro enterprises

ABSTRACT

 The proportion of small, medium and micro enterprises in China's social enterprise market is as high as 90%, which is the mainstream productivity of China's economic development. Therefore, China's Bank's support and investment strategy for small, medium-sized and micro enterprises is particularly important. The bank's supporting credit for small, medium-sized and micro enterprises is the lifeblood to solve the direct survival of small, medium-sized and micro enterprises. However, due to the relatively small scale of small, medium-sized and micro enterprises and the lack of mortgage assets, banks usually provide loans to enterprises with strong strength and stable supply-demand relationship according to credit policies, enterprise transaction bill information and the influence of upstream and downstream enterprises. The bank first evaluates the credit risk of small, medium-sized and micro enterprises according to their strength and reputation, and then determines whether to lend and credit strategies such as loan limit, interest rate and term according to factors such as credit risk. Based on the credit data of banks and enterprises, this paper uses machine intelligence algorithm to process and mine the data, builds a new YNR model and kmeans clustering model on the basis of RFM model to help banks make credit decisions, and uses KNN model and logic model to predict credit to help banks quickly identify the risks of small, medium-sized and micro enterprises, so as to make intelligent decisions on credit line and interest rate, and provide banks with reasonable allocation of resources and anti risk mechanism.

Key words: small, medium and micro enterprises; intelligent algorithm; anti risk decision; python

 

1 研究的目的和意义

1.1 研究目的

中小微企业是国家经济支柱的根基，在不断改革市场化的体制下，相关管理制度越来越完善。随着国家经济日益壮健的发展，中小微企业经济体的研究显得尤为重要。我国正处在发展经济体跃的关键时代，关键的时机下更要对影响经济体命运的细节深入研究，研究中小微经济体的给与融资的问题是这一时代下刻不容缓需要优化解决的，对优秀企业充分信任，对信誉较差企业的杜绝也是坚决抵制。市场上虽说借贷种类纷繁复如银行、网贷等信贷机构，由于人为原因与外界因的影响下，贷款不良率仍然居高不下。本文从源头解决信贷机构向贷款人进行贷款决策，研究出高效的决策方法，借鉴引用RFM客户价值模型提出一套YNA新模型用于确定被研究信贷客户的主要价值；采用KMeans、KNN算法聚类将贷款客户画像信息进行分类聚集确定某类企业的分层，最后通过Logit模型原理来进行最后贷款决策分类用于处理不同等级程度被违约风险的企业画像确定分层结果，直观简明的做出是否可以提供贷款的决策。

1.2 研究意义

追逐经济体的路程中，虽说中小微企业是国民经济支柱，但因其经济本质特征的抗风险能力因素较弱，有缺陷。从单一维度审查企业核心价值能力已被淘汰，这不能很好的帮助信贷机构进行信贷决策以及风险最小化取得收益。

本文为了降低信贷抗风险，做了一系列对已有数据的分析、处理、建模、可视化，贷款企业画像进行数据挖掘分为成立年限、客户数量、年均收益率；三大条件进行企业分层。通过挖掘的信息建立模型算法来评估预测缺失值企业，做到资料齐全，与资料不齐全企业在现实贷款中的业务分析从而有效的解决了缺失值企业由于缺失值参数不对应贷款不成功问题，既提高了中小企业贷款的速度，又提高了缺失值贷款企业的问题，一定程度上解决了中小微企业贷款存在的问题，推动了贷款机构贷款的实际进步。

2 国内外研究现状

2.1 国内外研究现状

由于中小微企业是社会经济中生产力量的庞大分支，处理中小微企业贷款问题以是中外研究者的热议。

国内研究现状：张涛,范博在基于CLPSO-CatBoost的贷款风险预测通过机器学习算法提出 通过综合学习粒子群算法优化 CatBoost 集成学习算法的贷款风险预测方法, 该算法改善了全局搜索能力、避免了陷入容易陷入局部最优的问题。陈艳阳在研究个人信贷违约风险预测基于捷信提供的数据集，对信贷违约风险进行预测分类并进行数据清洗、特征工程等工作，然后利用逻辑回归（Logistic）模型、Bagging 集成算法中的随机森林模型以及 Boosting 集成算法中前沿的轻量化梯度促进机（LightGBM）模型对用户的信贷违约风险进行预测。针对于非平衡数据问题本文采用 SMOTE-ENN 综合采样法进行了采样。并且 LightGBM 模型的三个指标值均在 0.95 以上。李天阳在基于大数据的金融风险预测算法研究本文根据用户基本属性数据以及下载APP种类的众多数据，实现特征提取并进行数 据加权处理，进而利用带惩罚的线性回归来进行预测模型构建，提高对资不抵债客户的违约判别的准确性，实现局部优化，从而改善了对客户商业银行贷款的隐 藏风险预测和管控，达到大大降低银行发放贷款的违约风险。张烨在银行个人住房贷款风险的度量与控制本文对国外金融机构常用的风险度量模型进行对比分析发现 CPV 模型可以较好的通过宏观经济变动来解 释 SZ 银行个人住房贷款违约率的变化，这在一定程度上可以起到度量和预测个人住房贷款信 贷风险的作用，也丰富了 SZ 银行管理和控制个人住房贷款风险的手段。

国外研究现状：朱克佳、方鹏舟等人在金融反欺诈的识别与预测方法使用的模型为微软亚洲研究院于 2016 年 推出的 LightGBM，并和传统的支持向量机、随机森林进行对比，选用 AUC 指 标评价模型的泛化能力。结果表明多数情况下有监督的编码方式会比无监督的编 码方式对模型泛化能力提升更大，但是也不能迷信某一种方法，实际上很难找出 一种通用的方法在所有模型上都表现的很好，不过对于本文的数据集来说最优的 组合是通过改进平均数编码方法编码地址数据之后用 LightGBM 框架进行建模。Maisa Cardoso Aniceto等人在机器学习预测性在消费者信用评价中提出一种基于融 合方法的可解释信贷违约预测模型, 首先选取 LightGBM、DeepFM 和 CatBoost 作为基模型, CatBoost 作为次模型, 通过模型融合提升预测结果的准确性, 然后引入基于局部的、与模型无关的可解释性方法 LIME, 解释融合模型的 预测结果. 基于真实数据集的实验结果显示, 该模型在信贷违约预测任务上具有较好的精确性和可解释性。

3 实证分析与结果

3.1 数据来源

本文数据来自于2020年大学生数学建模大赛赛题C。

3.2 数据处理

基于Python中Anoconda集成包管理器中Pandas、Numpy包对附一件数据进行预处理，Display头部5条了解数据，如表3-1所示。其中Pandas包为加载、整理、操作构建数据提供技术，Numpy包为数组快速运算提供技术。

表3-1 对附件123个企业数据处理

部分代码
import pandas as pd import numpy as np df1_1 = pd.read_excel('../data/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name=0) df1_2 = pd.read_excel('../data/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name=1)