神经网络使用银行交易数据进行信用评分

Skoltech和一家大型欧洲银行的研究人员开发了一种神经网络，该神经网络在使用交易银行数据进行客户信用评分方面表现优于现有的最新解决方案。这项研究发表在2020年IEEE数据挖掘国际会议(ICDM)会议记录中。

机器学习算法已经广泛用于风险管理中，可以帮助银行评估客户及其财务状况。“现代人，尤其是银行客户，会不断在数字世界中留下痕迹。例如，客户可能会添加有关在支付系统中将钱转账给另一个人的信息。因此，每个人都可以获得大量的联系，可以表示为有向图。这样的图为客户的评估提供了额外的信息。有效处理和使用有关客户之间联系的丰富异构信息是我们研究的主要思想。”

统计机器学习小组的负责人Maxim Panov和Skoltech及其同事的Kirill Fedyanin能够证明，与仅使用目标客户数据的算法相比，使用有关客户之间资金转移的数据可以显着提高信用评分的质量。 。这将有助于为可信赖的客户提供更好的报价，同时降低欺诈活动的负面影响。

“特定银行客户的定义属性之一是他或她与他人的社会和财务互动。这促使我们将银行客户视为相互联系的代理商网络。因此，该研究的目的是找出是否帕诺夫说，著名的谚语“告诉我你的朋友是谁，我会告诉你你是谁”适用于金融代理商。

他们的边缘权重共享图卷积网络(EWS-GCN)使用图，其中节点对应于银行客户的匿名标识符，边缘是它们之间的交互，以汇总来自他们的信息并预测目标客户的信用等级。新方法的主要特征是能够按原样处理出现在银行业数据中的大规模时间图，即无需任何通常很复杂的预处理，从而导致部分包含在数据中的信息丢失。

研究人员对六个模型进行了广泛的实验比较，EWS-GCN模型的表现优于所有竞争对手。“该模型的成功可以通过三个因素的组合来解释。首先，该模型直接处理丰富的交易数据，从而最大程度地减少了其中包含的信息丢失。其次，精心设计了模型结构以制作模型富有表现力且有效的参数化，最后，我们为整个流程提出了一种特殊的培训程序，” Panov指出。

他还说，要在银行业实践中使用该模型，它必须非常可靠。帕诺夫总结说：“复杂的神经网络模型受到对抗攻击的威胁，由于缺乏与我们的模型有关的这种现象的知识，我们目前无法在生产过程中使用它，而将其用于进一步的研究。”

标签： 神经网络