基于極端隨機樹與Logistic回歸算法的網貸平臺個人信用評估模型的比較研究
發(fā)布時間：2021-01-21 15:56
近年來,隨著互聯網技術的迅猛發(fā)展,各種網絡金融衍生品也層出不窮,P2P網貸作為互聯網金融的重要組成形式,更是發(fā)展不容小覷,P2P雖然給我們帶來便捷的同時也伴隨著相應的風險。由于我國的監(jiān)管法律法規(guī)制度與配套社會信用機制尚未完善,由此出現了大量的違法違規(guī)以及信用風險事件,例如近幾年頻繁發(fā)生的P2P“暴雷”事件,我國金融監(jiān)管部門在這樣的情況下也在不斷出臺相關政策以整治。P2P平臺在如此背景下更加需要借助科技的力量,聚焦于個人信用風險的評估,降低P2P企業(yè)和出借人風險�；谝陨媳尘霸偌由衔覍嵙暺陂g的個人經歷,發(fā)現國內目前主要使用Lo-gistic回歸算法構建個人信用風險評估模型,而少有基于極端隨機樹構造個人信用評估模型。于是,本文將進行極端隨機樹和Logistic回歸算法在網貸平臺中構建個人信用評估模型的比較。本文主要從以下方面進行研究:首先,通過介紹P2P國內外的發(fā)展歷程,分析國內外對于評估指標以及個人信用風險評估模型的研究,引出本文的研究內容與目的,以及在實際中應用的意義。并介紹相關的Logistic回歸算法、極端隨機樹算法等模型理論,為實證研究作鋪墊。然后,通過數據獲取,數據清洗,指標特...
【文章來源】： 韋良芳 山東大學
【文章頁數】：58 頁
【學位級別】：碩士
【部分圖文】：
圖３．１：?ｓｉｇｍｏｉｄ函數圖像??
?山東大學碩士學位論文???Ｔｆａｌｆｔｉｎｇｓｅｔ??ｆｏｌｄｓ?ｔｅｓｔ?ｆｏｌｄ??；．．．．．．．廠．？．．Ｊ?ｉ??Ｉ＊＊?ｉｔｅｒａｔｉｏｎ?１｜｜｜?。??ｒ？ｌｔｅｆａｔｉ〇ｒ）?｜｜Ｓ｜｜［?｜?＾?切??……………?，孩嫌—ｇ垮??？?？？??ＩＶＵｍｉｔｋｍ?＼－?［?￡＂ｗ??圖３．２：?１０折交叉驗證步驟圖解??３．６．１混淆矩陣??混淆矩陣是用來對分類問題的預測結果的總結，使用計數值匯總正確和不正??確預測的數量，并按照每個類進行細分。它將數據分為四類，分別為：真正例??（ＴＰ）、假反例（ＦＮ）、假正例（ＦＰ）、真反例（ＴＮ）。而混淆矩陣就是由這四個??部分所組成，如表３．１所示。??表３．１：混淆矩陣??真實情況預測結果??正例?反例??正例?ＴＰ?（真正例）ＦＮ?（假反例）??反例?ＦＰ?（假正例）ＴＮ?（真反例）??由此推出ＴＰＲ?（真正例率）也就是真實正例被預測為正例的比例。ＦＰＲ．（假正??例率）即真實反例被預測為正例的比例。其計算方法分別如公式３．２１與公式３．２２所??不。??ＴＰ??ＴＰＲ＝?—￣—?３．２１）??ＴＰ?＋?ＦＮ?Ｋ?＇??ＦＰ??ＦＰＲ＝?＾?咖?（３．２２）??ＦＰ＋ＴＮ?ｙ?＇??－２０?－??
?山東大學碩士學位論文???地理位置類特征：用戶申請貸款所在位置經緯度球面距離均值、用戶申請貸??款所在位置經緯度球面距離方差、用戶申請貸款所在位置商圈個數、最常用信??息點、最常用商圈、出現過的省個數等??信用卡流水類特征：近６個月信用卡交易筆數、近６個月有信用卡交易月份??數、是否網購用戶、是否商旅用戶、消費總額等。??信用卡賬單類特征：是否綁定信用卡、信用卡張數、信用卡最高等級、綁卡??總信用額度、綁卡消費額度占比等。??部分數據分布如圖４．１所示。??瞢戶嬝想狀現分夜?窗產工作午鷗分布??麵?ｆ＾??Ｓ＾ＤＯ?Ｕ?？?ＨＨ??ｉｍｉ?—?３〇Ｑ〇?ｈ?ｍ??ＺＭｆ?：ｒａ—?ｓｍ?丨畫圓―??ｅｉｔＨｗ?ｍ?ｅ？禾育?惠拜?１４蘋?＞ｉｏ年?ｋｊ年以上昏１２月?減努?ｍＢ??ａｇｅ?ｓｃｏｒｅ??４８，０?－?—?ｗ?？?—?■?—■?？＞？？？？．？＂．＇．＾？霞?ｇ〇０?????＾７－５?????！??￡?■■卜丄??織?挪?＾????????????????２＆ｊＤ?｜??—?????＾??ＺＨ＆?：?〇?＊??客產性＿分布?容產有逾期記承分布??ｆ??圖４．１：部分數據分布圖??以上六圖從左到右，從上到下，以此表示為客戶婚姻狀況分布圖（ａ）、客戶??工作年限分布圖（ｂ）、客戶年齡分布圖（Ｃ）、客戶的第三方信用評分分布圖（ｄ）、??－２４－??
【參考文獻】：
期刊論文
[1]P2P網絡借貸借款人違約風險影響因素研究[J]. 李杰,劉露,Chao-Hsien Chu. 商業(yè)研究. 2018(09)
[2]動態(tài)異質集成信用評分模型在P2P網絡借貸中的應用[J]. 劉傳哲,馬達亮,夏雨霏. 金融發(fā)展研究. 2018(09)
[3]銀行個人客戶信用評分模型研究——基于決策樹算法[J]. 王雅靜. 現代商貿工業(yè). 2015(19)
[4]P2P網絡借貸違約風險的影響因素研究[J]. 馮新月. 中國商貿. 2014(11)
[5]商業(yè)銀行個人信貸信用評分模型的構建與應用[J]. 劉莉亞. 財經研究. 2007(02)
本文編號：2991457
【文章來源】： 韋良芳 山東大學
【文章頁數】：58 頁
【學位級別】：碩士
【部分圖文】：
圖３．１：?ｓｉｇｍｏｉｄ函數圖像??
?山東大學碩士學位論文???Ｔｆａｌｆｔｉｎｇｓｅｔ??ｆｏｌｄｓ?ｔｅｓｔ?ｆｏｌｄ??；．．．．．．．廠．？．．Ｊ?ｉ??Ｉ＊＊?ｉｔｅｒａｔｉｏｎ?１｜｜｜?。??ｒ？ｌｔｅｆａｔｉ〇ｒ）?｜｜Ｓ｜｜［?｜?＾?切??……………?，孩嫌—ｇ垮??？?？？??ＩＶＵｍｉｔｋｍ?＼－?［?￡＂ｗ??圖３．２：?１０折交叉驗證步驟圖解??３．６．１混淆矩陣??混淆矩陣是用來對分類問題的預測結果的總結，使用計數值匯總正確和不正??確預測的數量，并按照每個類進行細分。它將數據分為四類，分別為：真正例??（ＴＰ）、假反例（ＦＮ）、假正例（ＦＰ）、真反例（ＴＮ）。而混淆矩陣就是由這四個??部分所組成，如表３．１所示。??表３．１：混淆矩陣??真實情況預測結果??正例?反例??正例?ＴＰ?（真正例）ＦＮ?（假反例）??反例?ＦＰ?（假正例）ＴＮ?（真反例）??由此推出ＴＰＲ?（真正例率）也就是真實正例被預測為正例的比例。ＦＰＲ．（假正??例率）即真實反例被預測為正例的比例。其計算方法分別如公式３．２１與公式３．２２所??不。??ＴＰ??ＴＰＲ＝?—￣—?３．２１）??ＴＰ?＋?ＦＮ?Ｋ?＇??ＦＰ??ＦＰＲ＝?＾?咖?（３．２２）??ＦＰ＋ＴＮ?ｙ?＇??－２０?－??
?山東大學碩士學位論文???地理位置類特征：用戶申請貸款所在位置經緯度球面距離均值、用戶申請貸??款所在位置經緯度球面距離方差、用戶申請貸款所在位置商圈個數、最常用信??息點、最常用商圈、出現過的省個數等??信用卡流水類特征：近６個月信用卡交易筆數、近６個月有信用卡交易月份??數、是否網購用戶、是否商旅用戶、消費總額等。??信用卡賬單類特征：是否綁定信用卡、信用卡張數、信用卡最高等級、綁卡??總信用額度、綁卡消費額度占比等。??部分數據分布如圖４．１所示。??瞢戶嬝想狀現分夜?窗產工作午鷗分布??麵?ｆ＾??Ｓ＾ＤＯ?Ｕ?？?ＨＨ??ｉｍｉ?—?３〇Ｑ〇?ｈ?ｍ??ＺＭｆ?：ｒａ—?ｓｍ?丨畫圓―??ｅｉｔＨｗ?ｍ?ｅ？禾育?惠拜?１４蘋?＞ｉｏ年?ｋｊ年以上昏１２月?減努?ｍＢ??ａｇｅ?ｓｃｏｒｅ??４８，０?－?—?ｗ?？?—?■?—■?？＞？？？？．？＂．＇．＾？霞?ｇ〇０?????＾７－５?????！??￡?■■卜丄??織?挪?＾????????????????２＆ｊＤ?｜??—?????＾??ＺＨ＆?：?〇?＊??客產性＿分布?容產有逾期記承分布??ｆ??圖４．１：部分數據分布圖??以上六圖從左到右，從上到下，以此表示為客戶婚姻狀況分布圖（ａ）、客戶??工作年限分布圖（ｂ）、客戶年齡分布圖（Ｃ）、客戶的第三方信用評分分布圖（ｄ）、??－２４－??
【參考文獻】：
期刊論文
[1]P2P網絡借貸借款人違約風險影響因素研究[J]. 李杰,劉露,Chao-Hsien Chu. 商業(yè)研究. 2018(09)
[2]動態(tài)異質集成信用評分模型在P2P網絡借貸中的應用[J]. 劉傳哲,馬達亮,夏雨霏. 金融發(fā)展研究. 2018(09)
[3]銀行個人客戶信用評分模型研究——基于決策樹算法[J]. 王雅靜. 現代商貿工業(yè). 2015(19)
[4]P2P網絡借貸違約風險的影響因素研究[J]. 馮新月. 中國商貿. 2014(11)
[5]商業(yè)銀行個人信貸信用評分模型的構建與應用[J]. 劉莉亞. 財經研究. 2007(02)
本文編號：2991457
本文鏈接：http://sikaile.net/guanlilunwen/bankxd/2991457.html
