隨著互聯(lián)網(wǎng)金融的發(fā)展,人們對(duì)于借貸與投資不再單純的滿足于傳統(tǒng)的銀行等金融機(jī)構(gòu),而是漸漸轉(zhuǎn)向更加方便快捷的網(wǎng)絡(luò)借貸,P2P網(wǎng)絡(luò)借貸就作為重要的一部分支撐著人們借貸與投資的需求,在這種大背景下,個(gè)人信用顯得尤為重要,信用風(fēng)險(xiǎn)也成為各大網(wǎng)絡(luò)平臺(tái)不可忽視的最大風(fēng)險(xiǎn)。本文聚焦于個(gè)人信用風(fēng)險(xiǎn)評(píng)估,選擇集成分類器隨機(jī)森林和誤差反向傳播神經(jīng)網(wǎng)絡(luò)來(lái)搭建信用風(fēng)險(xiǎn)評(píng)估模型。隨機(jī)森林算法能夠提供較高的分類精度,而且不容易產(chǎn)生過(guò)度擬合,有著較高的穩(wěn)定性,對(duì)于特征維度較高且類型不一紛繁復(fù)雜的個(gè)人信用數(shù)據(jù)來(lái)說(shuō),隨機(jī)森林算法相比于傳統(tǒng)單分類器模型能夠更好的處理信貸風(fēng)險(xiǎn)評(píng)估問(wèn)題。誤差反向傳播神經(jīng)網(wǎng)絡(luò)具備強(qiáng)大的學(xué)習(xí)能力,對(duì)于復(fù)雜的個(gè)人信用數(shù)據(jù)也能提供較高的分類精度,缺點(diǎn)就是穩(wěn)定性比較差。本文利用美國(guó)Lending Club公開數(shù)據(jù)集,通過(guò)一系列數(shù)據(jù)清洗、轉(zhuǎn)換、篩選等預(yù)處理方法,分別構(gòu)建了基于隨機(jī)森林和BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型,并與Logistic回歸模型作了簡(jiǎn)單的對(duì)比,發(fā)現(xiàn)三種模型在信貸風(fēng)險(xiǎn)評(píng)估方面各有優(yōu)劣,進(jìn)而將三種模型通過(guò)投票的方式組合成新的模型并用來(lái)建模,結(jié)果發(fā)現(xiàn)分類效果好于三種模型單獨(dú)的效果。隨后還試驗(yàn)... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
一 前言
    1.1 研究背景
    1.2 信用評(píng)估方法文獻(xiàn)綜述
    1.3 分類性能評(píng)價(jià)常用指標(biāo)
    1.4 論文結(jié)構(gòu)
二 隨機(jī)森林理論概述
    2.1 決策樹方法
    2.2 Bagging方法
    2.3 隨機(jī)森林(Random Forest)
三 BP神經(jīng)網(wǎng)絡(luò)理論概述
    3.1 人工神經(jīng)網(wǎng)絡(luò)
    3.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    3.3 誤差逆?zhèn)鞑ニ惴?br>四 數(shù)據(jù)預(yù)處理及特征選擇
    4.1 數(shù)據(jù)介紹
    4.2 數(shù)據(jù)預(yù)處理
    4.3 特征選擇
五 信用風(fēng)險(xiǎn)評(píng)估實(shí)證研究
    5.1 Logisitic回歸
    5.2 隨機(jī)森林
    5.3 BP神經(jīng)網(wǎng)絡(luò)
    5.4 組合模型
    5.5 重采樣均衡數(shù)據(jù)
    5.6 小結(jié)
六 總結(jié)與展望
參考文獻(xiàn)
致謝
附錄
學(xué)位論文評(píng)閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]變量篩選后的個(gè)人信貸評(píng)分模型與統(tǒng)計(jì)學(xué)習(xí)[J]. 陳秋華,楊慧榮,崔恒建.  數(shù)理統(tǒng)計(jì)與管理. 2020(02)
[2]基于集成模型的個(gè)人信用風(fēng)險(xiǎn)評(píng)估研究[J]. 李思瑤.  時(shí)代金融. 2020(05)
[3]基于改進(jìn)的隨機(jī)森林模型的個(gè)人信用風(fēng)險(xiǎn)評(píng)估研究[J]. 周永圣,崔佳麗,周琳云,孫紅霞,劉淑芹.  征信. 2020(01)
[4]互聯(lián)網(wǎng)金融個(gè)人信用風(fēng)險(xiǎn)評(píng)估的指標(biāo)選擇方法[J]. 曾鳴,謝佳.  時(shí)代金融. 2019(33)
[5]融合深度神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估方法[J]. 王重仁,王雯,佘杰,凌晨.  計(jì)算機(jī)工程. 2020(10)
[6]組合核支持向量機(jī)個(gè)人信用評(píng)估模型[J]. 張玥,趙凱,黃全生.  重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[7]大數(shù)據(jù)背景下個(gè)人信用評(píng)估體系建設(shè)和評(píng)估模型構(gòu)建[J]. 張晨,萬(wàn)相昱.  征信. 2019(10)
[8]互聯(lián)網(wǎng)金融背景下基于數(shù)據(jù)分析的個(gè)人信用評(píng)估研究[J]. 湛維明,王佳.  無(wú)線互聯(lián)科技. 2019(16)
[9]個(gè)人信用評(píng)分體系比較研究及其當(dāng)代價(jià)值[J]. 余炫樸,李志強(qiáng),段梅.  江西師范大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版). 2019(04)
[10]基于隨機(jī)森林的信用評(píng)估特征選擇[J]. 王妍.  黑龍江科學(xué). 2019(14)

博士論文
[1]個(gè)人信用評(píng)分組合模型研究與應(yīng)用[D]. 向暉.湖南大學(xué) 2011

碩士論文
[1]基于互聯(lián)網(wǎng)金融數(shù)據(jù)的個(gè)人信用評(píng)分模型研究及應(yīng)用[D]. 張海潮.浙江工商大學(xué) 2020
[2]個(gè)人消費(fèi)信貸風(fēng)險(xiǎn)的識(shí)別和預(yù)警[D]. 甘薔.浙江大學(xué) 2019
[3]基于數(shù)據(jù)挖掘的P2P網(wǎng)貸個(gè)人信用評(píng)價(jià)模型研究[D]. 孫鹿.云南師范大學(xué) 2018
[4]隨機(jī)森林在P2P網(wǎng)貸借款信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[D]. 徐婷婷.山東大學(xué) 2017
[5]投票式組合預(yù)測(cè)模型在個(gè)人信用評(píng)估中的應(yīng)用研究[D]. 王雪.哈爾濱工業(yè)大學(xué) 2011
[6]個(gè)人信用評(píng)估模型研究[D]. 劉征.西南財(cái)經(jīng)大學(xué) 2006
[7]基于神經(jīng)網(wǎng)絡(luò)的個(gè)人信用模型[D]. 胡勇.西南財(cái)經(jīng)大學(xué) 2006
[8]基于神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估體系研究[D]. 李剛.華中科技大學(xué) 2005



本文編號(hào)：3608408