基于BO-XGBoost与集成学习方法的供应链金融信用评价研究

来源：上海理工大学学报杂志2023年第1期北京时间：

作者：顾天下，刘勤明，叶春明

单位：上海理工大学 管理学院，上海 200093,上海理工大学 管理学院，上海 200093,上海理工大学 管理学院，上海 200093

摘要：针对供应链金融领域中小企业融资的信用风险控制问题，提出了一种在Bagging算法框架下结合贝叶斯优化和XGBoost算法的集成学习模型BO-XGBoost-Bagging（BXB）。首先，基于XGBoost特征重要度进行特征筛选，建立供应链金融信用评价指标体系。其次，通过贝叶斯优化获得XGBoost的最优超参数，并结合Bagging算法得到集成模型BXB。最后，在中小企业数据集上进行预测，通过实证研究验证信用评价模型的有效性。实证结果表明，BXB模型相比其他模型具有更好的预测效果，能够更加准确、全面地对中小企业的信用风险进行评估，更好地区分风险企业和正常企业，最大程度减少违约损失，在供应链金融信用评价方面有着较高的应用价值。

关键词：信用评价;XGBoost算法;贝叶斯优化;集成学习;中小企业

基金资助：国家自然科学基金资助项目（71632008, 71840003）；上海市自然科学基金资助项目（19ZR1435600）； 教育部人文社会科学研究规划基金资助项目（20YJAZH068）；上海理工大学科技发展项目（2020KJFZ038）；2020年上海理工大学大学生创新创业训练计划项目（SH2020067）