個(gè)人信用評(píng)價(jià)是互聯(lián)網(wǎng)金融的重要組成部分,是交易雙方正常往來(lái)的前提保證。隨著大數(shù)據(jù)、人工智能、云計(jì)算、區(qū)塊鏈等技術(shù)的發(fā)展,有關(guān)個(gè)人信用評(píng)價(jià)的研究也逐漸往新的方向發(fā)展并出現(xiàn)新的特征。傳統(tǒng)的信用評(píng)價(jià)業(yè)務(wù)范圍較小,在借貸歷史、交易記錄等金融數(shù)據(jù)缺失或不對(duì)稱的情況下很難直接判斷出一個(gè)人的真實(shí)信用,但利用大數(shù)據(jù)環(huán)境下的電商數(shù)據(jù)、社交數(shù)據(jù)以及網(wǎng)絡(luò)上不經(jīng)意的各種行為數(shù)據(jù)評(píng)估出的用戶信用可以有效補(bǔ)充用戶的信用信息。近幾年,各大互聯(lián)網(wǎng)公司、線上借貸平臺(tái)以及信用依托產(chǎn)業(yè)如摩拜單車等都借助網(wǎng)絡(luò)業(yè)務(wù)中的信息創(chuàng)建了個(gè)人信用評(píng)價(jià)模型來(lái)評(píng)定用戶的信用,以此限制低信用用戶的交易從而降低風(fēng)險(xiǎn)。諸如此類的互聯(lián)網(wǎng)企業(yè)擁有海量的用戶數(shù)據(jù),在大數(shù)據(jù)征信的環(huán)境下占了優(yōu)勢(shì)地位,各自構(gòu)建了適用自身業(yè)務(wù)的信用評(píng)價(jià)體系。然而一些大數(shù)據(jù)征信業(yè)務(wù)同樣只從一個(gè)層面如線上交易數(shù)據(jù)評(píng)定用戶的信用,為了避免傳統(tǒng)信用評(píng)價(jià)過(guò)程中出現(xiàn)信用信息不足的情況,本文將從另一個(gè)角度來(lái)評(píng)估用戶補(bǔ)充用戶的信用情況,即通過(guò)社交數(shù)據(jù)進(jìn)行個(gè)人信用評(píng)價(jià)�；谏缃粩�(shù)據(jù)評(píng)價(jià)用戶個(gè)人信用的研究過(guò)程中,以下三個(gè)問(wèn)題有重大的研究意義:（1）由用戶社交數(shù)據(jù)評(píng)估所得的社交信用只代表了用戶信用... 

【文章來(lái)源】：浙江財(cái)經(jīng)大學(xué)浙江省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線圖

第二節(jié) 行為模型及假設(shè)建立通過(guò)文獻(xiàn)回顧，在以往學(xué)者研究的基礎(chǔ)上可知社交數(shù)據(jù)在一定程度上可以評(píng)判一個(gè)人的信用，然而多數(shù)研究均是基于獲取了用戶在 P2P 平臺(tái)或其他金融平臺(tái)上的信用，將社交數(shù)據(jù)作為進(jìn)一步評(píng)價(jià)用戶信用或探究信用影響因素的輔助數(shù)據(jù)。本章節(jié)的主要目的便是區(qū)別于前人研究，通過(guò)實(shí)證方法從正面探討社交因素是否會(huì)影響用戶的信用。若是影響，則影響過(guò)程如何表現(xiàn)，最后證實(shí)社交數(shù)據(jù)可以用來(lái)評(píng)價(jià)用戶的信用且信用評(píng)價(jià)結(jié)果與真實(shí)信用成正比。我們基于 ELM 理論框架構(gòu)建行為模型并提出假設(shè)，找出信用評(píng)價(jià)過(guò)程的影響因素并驗(yàn)證其結(jié)果可行性。本文的行為模型框架如圖 3-1 所示。中央路徑主要通過(guò)用戶社交關(guān)系來(lái)說(shuō)明微博用戶的可信度，而周邊路徑則通過(guò)社交身份質(zhì)量體現(xiàn)用戶的社交信用。這兩個(gè)指標(biāo)在涉及社交數(shù)據(jù)的文獻(xiàn)中普遍存在。

N 表示用戶總數(shù)。陽(yáng)光信用的分類標(biāo)準(zhǔn)中，信用分在[300,600]區(qū)間的歸類為信用差的用戶，在[601,900]區(qū)間的歸類為信用好的用戶。參考芝麻信用官方的評(píng)價(jià)標(biāo)準(zhǔn)，我們將用戶的芝麻信用分在區(qū)間[350,650]內(nèi)的定義為信用差的用戶，芝麻信用分大于 650 分的為信用好的用戶。本文通過(guò)建立多個(gè)分類模型來(lái)驗(yàn)證陽(yáng)光信用分預(yù)測(cè)用戶信用的準(zhǔn)確性，PCC 值越高，則模型的分類結(jié)果越好。我們將數(shù)據(jù)集分成 8:2 的比例，即 80%的數(shù)據(jù)用作訓(xùn)練集，20%的數(shù)據(jù)用作測(cè)試集。我們選擇了 5 個(gè)分類模型來(lái)驗(yàn)證陽(yáng)光信用分的分類準(zhǔn)確率，包括 CART 決策樹模型、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、K 最近鄰和貝葉斯模型。連城（2016）在其研究中指出，由于信用評(píng)價(jià)模型背后的構(gòu)建理論與機(jī)理不同，對(duì)于同一組數(shù)據(jù)，不同的分類模型可以有不一樣的表現(xiàn)效果。通過(guò)比較分類模型，不僅可以看到分類模型結(jié)果的差異，還可以直觀地看到陽(yáng)光信用分的分類率。本節(jié)中的結(jié)果均由 R 軟件運(yùn)行獲得，PCC 的結(jié)果如下（參見圖 3-2）。


本文編號(hào)：3539336