Resumen

El advenimiento de la era de los datos masivos ha proporcionado una nueva forma de desarrollo para la recolección de créditos financieros en Internet. Los métodos tradicionales de identificación de riesgos crediticios de las empresas financieras en Internet no pueden obtener las características de zonificación de riesgos crediticios, lo que conduce a grandes errores en los resultados de la identificación de riesgos crediticios. Por lo tanto, este documento propone un nuevo método de identificación de riesgos crediticios basado en datos masivos para empresas financieras en Internet. Según la perspectiva de los datos masivos, se analizan los pasos de evaluación de riesgos crediticios de las empresas financieras en Internet y se calcula el peso de los indicadores de evaluación utilizando el proceso de jerarquía analítica (AHP) mejorado, y se aplica el método de síntesis ponderada lineal para evaluar de manera integral el crédito de los clientes. Utilizando las características únicas de la división de regiones de riesgos crediticios de datos masivos, el riesgo crediticio de datos masivos se determina mediante un método de coincidencia basado en reglas. El algoritmo de aprendizaje automático eXtreme Gradient Boosting (XGBoost) se utiliza para establecer un modelo de identificación de riesgos crediticios de empresas financieras en Internet. El coeficiente kappa y la curva ROC se utilizan para evaluar el rendimiento del método propuesto. Los resultados experimentales muestran que el método propuesto puede evaluar con precisión el riesgo crediticio de empresas financieras en Internet.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Era; Big data; Identificación del riesgo de crédito; Empresas financieras de Internet; Indicadores de evaluación; Algoritmo de aprendizaje automático
• Keywords:Era; Big data; Credit risk identification; Internet financial enterprises; Assessment indicators; Machine learning algorithm