一、背景介绍

　　企业非法集资具有严重社会危害性。一是参与者容易遭受经济损失。犯罪分子通过高回报利诱等方式聚揽资金后，任意挥霍、转移或者非法占有，参与者难以收回资金。二是非法集资严重扰乱正常经济金融秩序，容易引发金融风险。三是非法集资容易引起社会不稳定和社会治安问题，甚至引发局部地区的社会动荡。如何基于大量企业信息构建预测模型，并判断企业是否存在非法集资风险，对于监管机构、公司合作伙伴和投资者具有一定价值。

二、研究思路

　　根据大量企业信息，利用随机森林和LightGBMi两种机器学习算法分别构建企业非法集资风险预测模型，并对其模型性能指标F1-score值进行对比。

三、实验过程

　　（一）數据预处理
　　本文实验中用到的企业信息数据集源于某竞赛数据集，包含24865家企业数据，其中14865家企业数据带有是否非法集资标注，可作为训练集;剩余10000家企业数据不带是否非法集资标注，可作为测试集。数据由企业基本信息、企业年报、企业纳税情况、企业变更信息、企业新闻舆情信息和企业其他信息等组成，数据包括数值型、字符型、日期型等众多数据类型，部分字段内容有缺失，其中第一列id为企业唯一标识，label为目标变量。
　　对获取的数据进行数据预处理，包括数据分析、变量筛选、填充缺失值、特征编码、可解释性特征提取等操作。
　　1、变量筛选
　　根据缺失值占比、Ⅳ值（Information Value，即信息价值）和高相关性进行变量筛选，变量缺失值大于0.5被删除，变量Ⅳ值小于0.02被删除（Ⅳ值是用来衡量变量预测能力的，Ⅳ值越大，表示该变量的预测能力越强，一般会舍弃lV值小于0.02的变量），两个变量相关性高于0.7时，Ⅳ值低的变量被删除。opto、compform、parnum、exenum、opform、ptbusscope、venind、enttypeminu、midpreindcode、protype、reccap、brreccap、forregcap、congro变量因缺失值大于0.5被删除，adbusign、regtype变量因Ⅳ值小于0.02被删除，enttype、enttypegb变量因高相关性被删除。
　　2、企业经营范围关键词筛选
　　对标注为非法集资企业的经营范围进行词频分析，再对出现频率较高的词语进行人工筛选。若企业经营范围包含这些关键词，则判定为特殊特征。最终筛选的关键词为：投资、咨询服务、融资、金融、担保、代客理财、企业管理、股权、实业、资产、创业投资、证券期货、房地产、咨询服务、经纪、营销策划、商务信息、财务咨询、进出口、房产中介、贷款。
　　（二）实验评价标准
　　本实验采用分类任务的F1-score指标作为模型性能的评判标准。F1-score值越高，说明模型预测性能越好。F1-score计算公式如下所示：

　　P表示精确率（precision），R表示召回率（recall），TP（True Positive）表示正确预测非法集资的企业数目，FN（False Negative）吲表示实际上是非法集资但预测不是非法集资的企业数目，FP（False Positive）是实际上不是非法集资但预测为非法集资的企业数目。
　　（三）实验设计
　　在训练过程中，将数据集按4：1分成训练集和验证集，构建随机森林、LightGBM两种机器学习算法模型，对训练集进行训练，对验证集进行验证，对测试集进行预测，得到两种算法模型的F1-score指标。

四、实验结果

　　随机森林、LightGBM模型的F1-score指标表现如表1所示，无论是否对企业经营范围进行特征提取，随机森林模型的F1-score指标都优于LightGBM模型。

表1 随机森林、LightGBM模型的F1-score指标对比

五、结语

　　本文根据大量企业信息数据，构建基于随机森林、LightGBM两种机器学习算法的企业非法集资风险预测模型。基于随机森林模型构建的企业非法集资风险预测模型的F1-score指标优于LightGBM模型。根据企业信息，基于随机森林算法构建的企业非法集资风险预测模型能够有效预测企业是否存在非法集资风险，有助于防范化解金融风险，维护经济秩序稳定，营造良好的金融环境。下一步工作将继续优化缺失值填充算法和模型参数，充分挖掘算法潜力，进一步提高企业非法集资风险预测模型的性能指标。