本文關鍵詞：基于深度學習的信用卡逾期風險預測的方法研究與實現

  更多相關文章： 深度學習 信用風險 過擬合

【摘要】：隨著近幾年來信用卡發(fā)卡量的爆發(fā)式增長,當前信用卡業(yè)務已成為商業(yè)銀行利潤的重要組成部分,但同時也帶來了高風險,這是商業(yè)銀行在風險防控領域需要重視的問題。信用風險一直是商業(yè)銀行運營中的重要風險,關系著商業(yè)銀行的經營和發(fā)展狀況。如何有效識別信用卡客戶,減少高風險信用卡客戶的授信額度,以降低信用風險給商業(yè)銀行帶來的損失,是防控信用風險的重點難點�；诋斍靶庞每ㄓ馄陲L險預測的困難和深度學習優(yōu)秀的特征學習能力,文章提出了基于深度學習的信用卡逾期風險預測的方法。本文在對某商業(yè)銀行數據倉庫導出數據的充分分析的基礎上,首先對導出數據進行了預處理。對輸入項進行分析、刪減與標準化處理,并實現了一個基于深度學習的分類器模型,對個人客戶的信用卡逾期風險進行預測。然后對該模型進行調優(yōu),對深度神經網絡結構進行微調,在兼顧實驗環(huán)境機器性能的情況下盡可能優(yōu)化實驗結果。針對模型過擬合問題,本文使用了多個過擬合解決方案處理,并對效果做了實驗對比。
【關鍵詞】：深度學習 信用風險 過擬合
【學位授予單位】：蘇州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F832.2;TP18
【目錄】：

• 中文摘要4-5
• ABSTRACT5-10
• 第一章 引言10-16
• 1.1 研究背景與意義10-11
• 1.2 研究現狀11-13
• 1.3 本文的研究內容與章節(jié)安排13-16
• 第二章 相關理論基礎16-29
• 2.1 信用卡風險相關知識16-19
• 2.1.1 信用卡風險16-17
• 2.1.2 信用卡信用風險17-19
• 2.2 深度學習理論基礎19-24
• 2.2.1 深度學習背景19-21
• 2.2.2 深度學習模型21-24
• 2.3 深度學習的過擬合問題24-26
• 2.3.1 過擬合概念24-25
• 2.3.2 Dropout25-26
• 2.3.3 Batch Normalization26
• 2.4 提高類不平衡數據的分類準確率26-27
• 2.5 本章小結27-29
• 第三章 深度學習模型構建29-39
• 3.1 輸入層設計29-34
• 3.1.1 數據抽取29-30
• 3.1.2 數據探索分析30-32
• 3.1.3 數據變換32-34
• 3.1.4 過抽樣34
• 3.2 輸出層設計34-35
• 3.3 構建專家樣本庫35-36
• 3.4 深度神經網絡設計36-37
• 3.4.1 模型構建36-37
• 3.4.2 設計編譯模型37
• 3.5 本章小結37-39
• 第四章 深度學習實驗與分析39-51
• 4.1 訓練結果分析39-40
• 4.2 模型調優(yōu)40-49
• 4.2.1 增加遞歸次數40-41
• 4.2.2 增加Dropout層41-43
• 4.2.3 增加Batch Normalization層43-45
• 4.2.4 更換激活函數45-49
• 4.3 與傳統方法性能比較49
• 4.4 本章小結49-51
• 第五章 總結與展望51-54
• 5.1 研究工作總結51-52
• 5.2 展望52-54
• 參考文獻54-59
• 攻讀碩士期間發(fā)表的論文59-60
• 致謝60-61

【參考文獻】

中國期刊全文數據庫 前9條

1 藺婉軒;;信用卡風險防范問題研究[J];神州;2013年21期

2 徐悅;管國強;;我國商業(yè)銀行信用卡風險成因及其風險管理措施分析[J];中國物價;2013年04期

3 王世珍;;我國商業(yè)銀行信用卡業(yè)務風險防范[J];合作經濟與科技;2011年08期

4 曲秋實;李莉;;信用卡的信用風險及其防范[J];商業(yè)經濟;2010年11期

5 胡珀;孫建華;;試論金融創(chuàng)新與金融創(chuàng)新風險防范[J];金融與經濟;2008年04期

6 林智勇;郝志峰;楊曉偉;;不平衡數據分類的研究現狀[J];計算機應用研究;2008年02期

7 王增國;;銀行卡欺詐風險分析與防范措施[J];中國信用卡;2007年02期

8 吳沖,呂靜杰;我國商業(yè)銀行信用風險成因分析[J];企業(yè)經濟;2004年01期

9 李儉川,秦國軍,溫熙森,胡蔦慶;神經網絡學習算法的過擬合問題及解決方法[J];振動、測試與診斷;2002年04期

，

本文編號：974544