一种融合NSGA-II与随机森林的多目标信用风险评估混合框架

《Scientific Reports》：A hybrid NSGA-II and random forest framework for multi-objective credit risk assessment

　　

摘要

信贷风险评估是衡量贷款违约可能性的一个重要方法。它有助于机构保持偿付能力并有效管理资本，从而支持金融行业的稳健风险管理。本研究提出了一种新的混合预测框架，将非支配排序遗传算法II（NSGA-II）与随机森林（RF）分类器相结合。该方法在最小化特征数量的同时最大化分类准确率。在此设置中，通过优化关键参数（如最大分裂次数和节点分区最小规模），对随机森林模型中的决策树进行微调。在已建立的澳大利亚和德国信贷数据集上的测试表明，该框架的性能与领先方法和传统基准相当，分别实现了93.47%和78.00%的分类准确率。所得到的帕累托最优前沿为风险分析师提供了一系列高效解决方案，允许对预测准确率与模型简洁性之间的权衡进行清晰分析。因此，本研究提供了一种强有力的决策支持工具，帮助金融机构降低违约风险并提升信贷组合的韧性。由此，本研究提供了一个强大且实用的决策支持框架。它帮助金融机构从被动应对风险转向主动预防违约。通过实现灵活的信用评分、预判损失并基于风险调整资本配置，该模型增强了投资组合抵御经济变化的韧性。总体而言，它为现代信用治理提供了清晰的数据驱动基础，减少了系统脆弱性，并改善了各类信贷投资组合的风险收益平衡。