匹配偿还贷款的机器学习解决方案

Question

我对AI/ML空间比较陌生，但来自编程背景。

问题是:我有一个用户交易数据集，他们从单个贷款提供者那里获得短期贷款，我需要将贷款偿还与特定的贷款收据相匹配。

样本数据集如下：

transactionDate __x_

2017-09-01 x 500信贷

2017-09-08 \ 250 x借方

2017-09-17 x 294

2017-12-11 \x{ 300 }信贷

2017-12-15 x 150

2018-01-07

2018-01-12 \x{e76f} 398.8

2018-01-19 x- 200

2018-02-02

在这里，“creditDebit”列的“信用”值表示已收到的贷款，“借方”表示以前收到的贷款的偿还。

正如你所看到的，前3行很容易匹配，因为有一个信用额(金额500)，其次是两个借方(金额250和294)。

从第四排到第四排，我不知道怎样才是最好的匹配。

1. 2017年-12-11贷款有信用交易
2. 2017-12-15是这笔贷款的部分偿还。
3. 然后是新贷款的另一个信用额度
4. 2018-01-12是对先前的2笔贷款的部分偿还。
5. 最后两个借方也是部分偿还。

我已经能够手动确定哪一笔还款对哪笔贷款最有意义，但试图把它写成if-否则的函数在我看来是非常困难的，而不是最好的。例如，最困难的部分是确定2018-01-12年的借方，这是两个先前收到的贷款的合并还款交易。我已经手工计算了这一借方的合理比例，即2017年收到的贷款为170英镑，2018-01-11年度贷款为228英镑。

我是否可以使用某种模型/算法来匹配哪些借方交易最有可能是哪个信用交易的偿还?如果还款交易看起来像是多个先前贷款的复合偿还--那么，如何合理分割借方以满足信贷交易？

我不知道这对你是否有意义..。

我试着考虑如何使用聚类算法，但我不使用，因为集群不会显示信贷和借方交易的匹配，特别是复合还款借方。

任何关于如何解决这个问题的想法都是非常感谢的！

Answer 1

我不认为机器学习是正确的工具。这很难(至少对我来说)是一个学习问题。

你可以考虑将遗传算法作为另一种方法。根据您对如何手工进行匹配的描述，以下假设似乎有效：

• 您正在寻找贷款付款的分配，以便将(原则+利息)和\sum debits之间的差额降到最低
• 你喜欢贷款和还款之间的时间被最小化的解决方案。

如果上述情况属实，您可能希望将遗传算法视为一种方法。对于GAs，需要指定表示、目标函数和变异/交叉操作。我认为以下几点是可行的：

群体中的个体(即候选解)被表示为长度N的向量，其中N是借方总数。这个向量中的每一项都将借方分配给一个信用证。例如，单个[1, 1, 2, 3, 2, 3]意味着前两个借方与第一个信用相关联，第三个借方与第二个信用相关联，第四个借方与第三个信用相关联，依此类推。

您希望最小化的目标函数由上面的两个要点描述。我认为以编程方式计算这个函数应该是相当容易的。对于每个信用，计算(原则+利息)和\sum debits之间的差额的大小。将这些差异相加，然后对信用和还款之间的时间间隔增加一个惩罚。实现惩罚的一种简单方法是在解决方案V和排序对应的sort(V)之间添加编辑距离。你会想玩的时间惩罚的重量，这样的信用和借方之间的一些延迟是允许的，但你仍然赞成快速偿还。

你需要选择合适的变异和交叉操作。对于这种表示形式，传统的两点交叉可能工作得很好，而均匀突变可能工作得很好。

顺便说一句，我当然希望这不是一种现实世界的贷款偿还方式。当借方不可避免地被分配给不正确的信用时，你会和一些愤怒的客户一起结束。