P2P網(wǎng)絡(luò)借貸是金融業(yè)與互聯(lián)網(wǎng)結(jié)合的產(chǎn)物,是一種新型的借貸融資方式,近年來規(guī)模增長迅速。但是在P2P網(wǎng)絡(luò)借貸規(guī)模迅速增長的同時,P2P貸款的信用風(fēng)險也受到了廣泛關(guān)注,不斷爆發(fā)的P2P跑路事件,為借款人帶來了巨大的損失,也給P2P行業(yè)的發(fā)展敲響了警鐘。傳統(tǒng)的P2P網(wǎng)貸個人風(fēng)險評價主要采用專家評分法,這種基于規(guī)則的方法很難準(zhǔn)確的識別借款人的信用風(fēng)險,而部分P2P網(wǎng)貸平臺嘗試使用的邏輯回歸、支持向量機(jī)等監(jiān)督學(xué)習(xí)方法,效果比較依賴于數(shù)據(jù)的質(zhì)量,數(shù)據(jù)量較少且數(shù)據(jù)不平衡等問題會對風(fēng)險評估的結(jié)果造成影響。目前,集成學(xué)習(xí)方法Cat Boost模型在若干領(lǐng)域得到了較好的應(yīng)用,同時軟信息由于豐富的信息特征也在風(fēng)險控制領(lǐng)域受到關(guān)注,但是目前的軟信息主要是將收入認(rèn)證等應(yīng)用在信用風(fēng)險識別中,文本類軟信息的研究較少,而文本類軟信息含有較為豐富的個人信用風(fēng)險的信息,因此對文本類軟信息的利用是研究的熱點問題。為了構(gòu)建有效的P2P個人信用風(fēng)險識別方案,本文融合軟信息與Cat Boost模型構(gòu)建信用風(fēng)險識別方案,并基于遺傳算法對模型進(jìn)行參數(shù)優(yōu)化,用以提高P2P平臺信用風(fēng)險識別的能力。本文對P2P個人信用風(fēng)險識別方案進(jìn)行了... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線

看出陸金所在 2018 年 7 月至 2018 年 12 月的借款人進(jìn)行借款交易時，借款金額均為 0~20 萬元；同時，,根據(jù)圖 3-2，可以看出陸金所 2018 年 12 月每日人均借款金額大部分在 2 萬元左右，也有一部分在 4 萬元左右，整體來看，均低于 10 萬元，人均投資金額均低于 4 萬元。因此，在 P2P 網(wǎng)貸交易中，往往出現(xiàn)的都是小額貸款。針對這種情況，在進(jìn)行信用風(fēng)險識別時，如果按照傳統(tǒng)金融機(jī)構(gòu)進(jìn)行信用風(fēng)險識別的方法往往要花費(fèi)大量的人工成本和時間成本，P2P 小額貸款帶來的收益往往是無法覆蓋這樣的人工和時間成本。

上海師范大學(xué)碩士論文第3章P2P網(wǎng)貸信用風(fēng)險識別存在問題描述與分析析20圖3-2陸金所人家借款及人均投資其次，P2P網(wǎng)貸交易與傳統(tǒng)金融機(jī)構(gòu)交易時還有一個很大的區(qū)別在于，P2P網(wǎng)貸平臺的交易量較大，傳統(tǒng)金融機(jī)構(gòu)往往是為一些大企業(yè)提供貸款，這樣的貸款交易往往是大額貸款，而每天的交易量相對來說是較小的。而P2P網(wǎng)貸平臺雖然每筆交易的借貸額較小，但是，每天的交易量卻很大。如圖3-3、圖3-4可以看出陸金所每日的交易量大部分在5000萬元以上，同時借款人和投資人的人數(shù)基本在10000人左右。在進(jìn)行信用風(fēng)險識別時，針對如此大的交易量，如果采用傳統(tǒng)金融機(jī)構(gòu)進(jìn)行貸款審核的方法，將無法滿足交易量巨大的P2P網(wǎng)貸平臺。圖3-3陸金所每日成交量

【參考文獻(xiàn)】：
期刊論文
[1]基于MBUT-LDA主題模型的微博文本挖掘研究[J]. 張明生,鄧少靈.  電子商務(wù). 2019(07)
[2]基于Catboost算法的優(yōu)惠券個性化投放[J]. 劉嘉穗.  電子世界. 2018(23)
[3]一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法[J]. 楊怡涵,柳炳祥.  陶瓷學(xué)報. 2018(03)
[4]融入軟信息的P2P網(wǎng)絡(luò)借貸違約預(yù)測方法[J]. 蔣翠清,王睿雅,丁勇.  中國管理科學(xué). 2017(11)
[5]P2P網(wǎng)貸個人信用風(fēng)險評估模型研究——基于混合果蠅神經(jīng)網(wǎng)絡(luò)的方法[J]. 吳斌,葉菁菁,董敏.  會計之友. 2017(21)
[6]P2P網(wǎng)貸信用風(fēng)險評測、形成機(jī)理與傳導(dǎo)——一個文獻(xiàn)綜述[J]. 譚中明,謝坤,丁國平.  武漢金融. 2017(07)
[7]哪些信息描述會影響網(wǎng)絡(luò)借貸——基于P2P信息描述的研究評述[J]. 陳偉,涂有釗.  武漢金融. 2017(04)
[8]P2P網(wǎng)貸借款人違約行為影響因素的實證研究[J]. 蘇亞,成春林.  金融發(fā)展研究. 2017(01)
[9]網(wǎng)絡(luò)昵稱與P2P借貸的成功率和違約率[J]. 郭峰.  經(jīng)濟(jì)科學(xué). 2016(06)
[10]我國P2P網(wǎng)絡(luò)借貸平臺風(fēng)險評價——基于熵權(quán)法和CRITIC法[J]. 王偉.  金融理論與實踐. 2016(12)

碩士論文
[1]基于詞性特征與語義增強(qiáng)的短文本主題模型研究與應(yīng)用[D]. 陳敏.南京大學(xué) 2019
[2]基于LDA與PW-Word2vec的虛假評論識別方法研究[D]. 賈少華.內(nèi)蒙古大學(xué) 2019
[3]借款描述對P2P網(wǎng)絡(luò)借貸影響的實證研究[D]. 李曉靖.湖南大學(xué) 2018
[4]基于Logistic模型的汽車金融公司個人貸款信用評分研究[D]. 李岸楊.西南大學(xué) 2017
[5]借款描述與P2P網(wǎng)絡(luò)借貸行為[D]. 郭雷.哈爾濱工業(yè)大學(xué) 2015
[6]我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究[D]. 歐緣媛.湖南大學(xué) 2014
[7]基于Logistic回歸的神經(jīng)網(wǎng)絡(luò)模型在個人信用評估中的應(yīng)用[D]. 白金瑞.內(nèi)蒙古大學(xué) 2012



本文編號：3055827