機器學習在風險評估中的應用研究

蔣鵬

摘 要 隨著世界經濟全球化進一步深入，各行各業市場波動性也隨之加劇，尋找精確、客觀、可靠的風險評估方法已成為各行各業急需解決的燃眉之急。機器學習具有很好的處理非線性分類問題的能力，基于機器學習的風險評估模式能有效提高風險評估的精確度與適用性。本文以此為邏輯起點，分析機器學習在風險評估中的應用模式，以及隨著而提高的風險評估的準確率。

【關鍵詞】機器學習 風險評估

1 序言

隨著大數據時代的來臨，數據挖掘等新興的學科技術開始發展起來，機器學習是其中最具代表性的技術。當今公司經營和科學研究中，如何應用這些新興技術是企業領導和科研人員心中未解的謎題。機器學習廣泛應用于在交通運輸、醫療業、生物以及信息技術和軟件工程領域，但本文認為，機器學習更適用的領域是風險識別，因此本文著重分析風險評估過程中機器學習技術的應用。

2 機器學習概述

以往的風險評估模式主要以線性為主，嚴重依靠個人的主觀能動性和經驗知識。隨世界經濟的一體化和文化日益多元化，風險已經不局限于一國一省了，突破時間和空間的風險隱藏在各行各業中，傳統的風險評估模式已經不能滿足風險管理的需要。更有甚者，近些年來，機器學習技術進步神速，正在不斷接近我們心中的人工智能目標，圖像檢測、語音識別、風格遷移、機器翻譯等技術已經在我們的實際生活中開始得到了應用。

什么是機器學習？簡單來說，機器學習就是通過分析大量數據來學習，從數據中挖掘出有用的數據，即電腦利用已有數據代替人類理性思維處理數據，并精準計算數據模式的過程。機器學習不是通過編程來識別數據，而是重在尋找數據中的模式并使用這些模式來做出預算。機器學習中有許多典型的問題，比如回歸、異常檢測、聚類、分類以及降維等等，每個問題延伸出來即成為算法。機器學習的過程先是選擇數據，其次建立模型數據，其次驗證數據，再次測試數據，再次使用數據，最終調優數據。機器學習實際應用有很多場景，增強分析以降低風險是最典型的例子，比如為了檢測某個過程，計算機將機器學習和其它數據挖掘技術結合起來，開發更為全面且準確的概況，獲取對整個過程的深度了解，風險相應降低了。

3 傳統的風險評估模式

專家法、評級法和評分法作為傳統的風險評估模型，在各行各業的應用頗為成熟。市場甚至能在不依靠中國人民銀行征信系統的情況下，自發形成各自適用的風險評估系統。大企業通過大數據挖掘，自建信用評級系統，而中小企業通過信息分享，借助第三方獲取風險評估服務。而三大風險評估模式均存在弊端，作為定性分析方法的專家法，因其強大的個人主觀性導致評估結果分散，無法形成統一的標準；依靠綜合分析信息情況定量評定等級評級法，因其對不同行業，相關因素、特征等方面不具有統一性，所以評估結果無法客觀；賦以權重加權或綜合考評得出分數的評分法則在互聯網大數據發展時代受到嚴重的限制，喪失了原本的算法框架。

4 機器學習評估風險

機器學習是對大量的互聯網數據進行統計分析，只有學習的數據量越大，預判的精準性才越高。事實上，許多機器學習算法給出的評估報告本身就是大概率的。這種大概率的評估結果用于決策用于評估風險恰到好處。風險的意義在于在特定空間和時間下，預期結果可能存在的偏差，以及這種偏差的大小。機器學習算法可對不利事件發生的概率進行預測，而確保風險評估模型都可以套用，因此機器學習技術應用到風險評估領域愈來愈受歡迎。

4.1 數據收集

信息管理方要積極協調風險管理方，采集海量數據，連接端口，消除信息滯后和孤立現象，建立適用于大數據處理的數據中心。機器學習算法的預測依賴于與某件相似風險事件相關聯的信息，信息越多，預測越準確。風險評估方應該提供完備而準確歷史評估信息，不僅包括已發生風險，還包括隱患事故，并將所有信息形成報告，并入到風險案例庫中。

4.2 機器算法

機器學習包括監督學習、無監督學習、半監督學習、強化學習、深度學習、遷移學習、集成學習以及降維學習等等。不同的學習方法體系有不同的算法，不同的算法針對不同的應用方式、數據集、預測目標，預測的結果也不一致。就監督學習而言，就有線性回歸、線性判別、支持向量機、分類和回歸樹、自組織映射以及卷積神經網絡等37類算法，深度學習、也有分層時間記憶、生成式對抗網絡、因子分析等算法，此處就不詳細論述其他體系的算法了。風險評估基于嚴密的機器算法之下，很難出現不客觀的評估結果。

4.3 迭代學習

機器學習不是一勞永逸的，而是一個循環往復不斷上升的過程，它能自我更新和驗證，修正已有的經驗模型和邏輯。應用機器學習進行風險評估是一個連續的學習、得出結論、再學習的過程，從而提高風險監控的準確率。對各行各業存在消極對待、過度承諾、過度樂觀、缺乏控制力、監管風險都是一個很好的預測。

4.4 機器學習評估風險仍存在缺陷

比如被修正為無風險的事件，有可能只是在之前的風險評估中被發現，并采取了預防措施，但導致進一步進行機器學習無法識別，從而導致重特大風險事件的遺漏。

5 結語

人工智能已然是歷史的第三波浪潮，堪稱“工業4.0”，目前有突破性的成就，但也有未解之謎。真正創造一個有認知力的“生命”——還有很大的難度。現代社會中數據的爆炸式產生是由計算機的迅速發展帶來的，每時每刻都有數以萬計的數據產生，怎樣運用如此龐大的數據已經成為炙手可熱的焦點話題，而機器學習無疑是最佳的方法之一。

事先對風險做出科學的預測和評估才是防范風險的第一要義。應用機器學習中的大數據預測結果是基于現實的風險來源，通過神經網絡進行信息處理，建立訓練模型，再評估性能后，持續優化得出的。因此，機器學習可以堪稱“工業4.0”時代的人工智能發展方向，這一領域在風險評估的應用還有待挖掘。

參考文獻

[1]張瀟元.基于BP算法的金融信用風險仿真研究[J].現代商貿工業，2015.

[2]田家俊.基于機器學習的人機博弈的研究與實現[D].東華大學學報，2007.

[3]符永順.基于機器學習的移動應用推薦系統的研究與實現[D].通訊世界，2014.

[4]李航.統計學習方法[M].北京：清華大學出版社，2012.

作者單位

南陽醫學高等專科學校 河南省南陽市 473000endprint