完善的個(gè)人信用風(fēng)險(xiǎn)評(píng)估體系是降低信用風(fēng)險(xiǎn)的決定性因素,而風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)的構(gòu)建是信用評(píng)估的基礎(chǔ)。本文選取Prosper.com網(wǎng)貸平臺(tái)2005年至2014年間部分信貸數(shù)據(jù)進(jìn)行實(shí)證,研究了主成分分析法（PCA）在篩選信用評(píng)估指標(biāo)上的應(yīng)用,在此基礎(chǔ)上結(jié)合支持向量機(jī)（SUM）技術(shù),建立評(píng)估模型進(jìn)行驗(yàn)證。結(jié)果表明,采用主成分分析法可以有效地剔除無(wú)關(guān)變量和冗余變量,提高互聯(lián)網(wǎng)金融個(gè)人信用評(píng)估的預(yù)測(cè)精度。 

【文章來(lái)源】：時(shí)代金融. 2019,(33)

【文章頁(yè)數(shù)】：4 頁(yè)

【文章目錄】：
一、引言
二、互聯(lián)網(wǎng)金融平臺(tái)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的現(xiàn)狀
三、個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)的PCA篩選方法
四、數(shù)據(jù)選取及實(shí)證分析
    （一）數(shù)據(jù)預(yù)處理
        1. 數(shù)據(jù)清洗。
        2. 數(shù)據(jù)賦值。一是對(duì)輸入變量的賦值：
        3. 數(shù)據(jù)標(biāo)準(zhǔn)化。
        4. 數(shù)據(jù)縮減。
    （二）基于主成分分析的指標(biāo)篩選
    （三）PSO-SVM建模分析
    （四）實(shí)證結(jié)果
五、結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于大數(shù)據(jù)的信用風(fēng)險(xiǎn)評(píng)分模型辨析[J]. 朱良平.  中國(guó)金融電腦. 2016(03)
[2]我國(guó)P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)影響因素研究——基于排序選擇模型的實(shí)證分析[J]. 肖曼君,歐緣媛,李穎.  財(cái)經(jīng)理論與實(shí)踐. 2015(01)



本文編號(hào)：3010955