大数据环境下的微观信用评价理论与方法

The big data environment provides micro credit evaluation with a big data in credit (multiple-dimensional, all-around, dynamic) and intelligent analysis methods. However, the characters of big data like unstructured, multi-source, heterogeneous, dynamic, high-dimensional and streaming have brought great challenges to the establishment of credit evaluation system, the processing of evaluation information, the establishment of evaluation model, the design of evaluation pattern and so on. On the basis of comprehensive analysis, the impact of big data environment on micro credit evaluation, therefore, we take in-depth research on the aspects of establishing micro credit evaluation system, processing of unstructured information, evaluation methods and evaluation patterns. Our research includes: (1) The theory of establishing micro credit evaluation system in big data environment. (2) The mining and extraction of the non-structured credit information. (3) The discrimination of the default risk on the multi-dimensional data flow and multi-criteria dynamic evaluation methods. (4) The decentralized pattern of collaborative credit evaluation and the mechanism of avoiding strategic behavior. (5) The application study on third-party credit evaluation. Through the above research, we try to find a new breakthrough on the establishment of micro-credit evaluation system, processing of big data in credit, the models & methods of credit evaluation, and the innovation of evaluation patterns..The value of the research results will be great for theoretical and practical in the establishment of theory and methodology system of micro credit evaluation in the environment of big data, promoting the establishment of the credit system in our country, and accelerating the innovation of evaluation theory and methodology.

大数据环境为微观信用评价提供了多维度、全方位、动态的信用大数据和智能化的分析手段，但大数据的海量异构、多源多维、动态流式和非结构化等特征，给信用评价体系构建、评价信息处理、评价模型构造与评价模式设计等带来了巨大挑战。因此，课题在深入分析大数据环境对微观信用评价影响的基础上，从微观信用评价体系构建、非结构化信息处理、评价方法和模式等方面展开深入研究。研究内容包括：①大数据环境下的微观信用评价体系构建理论；②非结构化信用信息挖掘与提炼；③多维数据流下的违约风险判别与多准则动态评价方法；④去中心化的协同信用评价模式与防策略性行为机制；⑤第三方信用评价应用研究。通过上述研究，力图在微观信用评价体系构建、信用大数据处理、评价模型与方法、以及评价模式创新等方面取得新突破。.研究成果将对建立大数据环境下的微观信用评价理论方法体系，推动我国信用体系建设，促进评价理论与方法创新，具有重要理论价值和实践意义。

本项目的特色体现在全息、动态、智能和协同四个方面。从非结构化信息挖掘、跨平台信息融合、全息特征抽取三个方面构建全息信用特征向量，解决了特征向量构建的关键问题。动态跟踪评价信用业务全生命周期不同阶段、动态预测违约，为信用管理提供了动态风险监测手段。挖掘大数据中隐藏的隐性信用特征，构建智能化可解释信用评价模型和求解方法，提高了信用信息处理和评价模型构建的智能化水平。采用联邦学习和同态加密技术，解决了信用信息跨平台安全共享问题。取得的重要成果包括：. （1）创建了全息协同智能信用评价体系，推动了大数据环境下的信用评价理论创新。构建了数据驱动、软硬信息相融合的全息信用评价体系，为大数据环境下的信用评价体系构建提供了理论指导；设计了基于嵌套集成学习的智能信用评价策略，解决了模型评价性能与可解释性间的矛盾。. （2）构造了基于非结构化信息的信用特征，实现了信用风险的多维度刻画。提出了基于语义分析的非结构化信用信息挖掘与特征构造方法；设计了基于管理和股权关系的企业复杂关系网络构造方法；提出了基于非线性降维的全息信用特征向量构建方法。. （3）构建了动态智能信用评价方法,实现了信用风险的精准量化和动态智能预警。提出了基于多任务集成学习的智能信用评价模型,为信用风险的智能精准量化提供了工具；提出了融合生存分析与集成学习的动态信用建模方法，为全周期、全过程动态评价提供了模型支撑。. （4）设计了多源多模态协同建模方法，实现了信用数据分布式协同建模。提出了基于多视图学习的多源感知数据融合方法，为解决数据融合提供了系统化的方法；提出了基于联邦学习的分布式安全数据建模方法，为解决建模中信息安全问题提供了有效的解决方案。. 研究成果对丰富信用评价理论，建立大数据环境下的微观评价理论体系具有重要的理论意义；对大数据环境下建立科学的微观信用评价体系，设计智能、高效的评价方法，以及制定规范、有效的防策略性行为机制，具有重要的实践意义。