【摘要】：作為普惠金融的重要組成,P2P網(wǎng)貸依靠其便捷、高效、投資門檻低等特點在個人貸款和小微企業(yè)融資方面發(fā)揮了重要作用。但事物皆有兩面性,P2P網(wǎng)貸在迅猛發(fā)展的同時,也面臨了重大的信用風險,尤其在當下監(jiān)管趨緊、打破剛性兌付成趨勢的現(xiàn)實情況下,如何從根源把控借款人信用風險對P2P平臺方來說顯得愈加重要。個人信用風險評分是有效識別并降低信用風險的決定性因素,而決策樹分類模型依靠其分類精度高、易于實現(xiàn)的優(yōu)點被廣發(fā)應用于個人信用評分領(lǐng)域。文章選取國內(nèi)網(wǎng)貸平臺純信用標的借款數(shù)據(jù)作為研究對象,運用最新的決策樹分類模型C5.0算法對借款人信用風險進行預測評估。在實際評分工作中,有所謂“垃圾進去,垃圾出來”,即評分數(shù)據(jù)對評分預測結(jié)果影響重大,文章依據(jù)5C+1S方法對網(wǎng)貸平臺借款人數(shù)據(jù)進行分類、構(gòu)建信用評分指標體系,同時對類別字段進行了屬性合并,并對類別字段取值進行了合理降維處理,以達到精簡模型和防止過度擬合的效果。實證研究結(jié)果表明,進行數(shù)據(jù)處理后的訓練樣本分類預測精度下降控制在了 1%以內(nèi),而測試樣本的分類預測精度提高了 3.16%。在模型優(yōu)化改進方面,文章引入誤判成本及誤判矩陣,通過提高第二類錯誤的誤判成本,達到降低第二類錯誤率的目的,這也符合實際評分工作中的具體情況。實證研究表明,在確定合理的誤判成本矩陣之后,雖然測試樣本集第一類錯誤率增加了 2.93%,但對實際評分中損失影響更大的第二類錯誤率下降了 7.35%。根據(jù)最終的決策樹C5.0模型所輸出了各變量重要性結(jié)論,文章有針對性地提出了相關(guān)建議。即P2P平臺方應在加強自身信用風險控制能力的同時,將對接央行征信與第三方征信合理結(jié)合,并采用大數(shù)據(jù)征信擴大對借款人信用審核的維度以及深度。
【學位授予單位】：天津財經(jīng)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F832.4;F724.6
【圖文】：

（不授信邋ｊ邐（ｍｍｊ逡逑圖２．邋３決策樹分類學習方法舉例逡逑資料來源：作者整理逡逑圖２．邋３是一顆典型的決策樹，用于根據(jù)貸款申請人的各項信息來決定是否對改貸款人逡逑進行放貸，其中表示類別屬性的內(nèi)部節(jié)點用矩形表示，用以分類的葉節(jié)用楠圓來表示。若逡逑貸款人擁有擔�；虻盅�，則對其進行授信放貸，如果該借款人沒有抵押或擔保，且月收入逡逑１６逡逑

重要性指標越大，該類別屬性便越重要，分析變量重要性，可以為Ｐ２Ｐ網(wǎng)貸平臺控制信用逡逑風險提供合理建議。逡逑由最終決策樹模型輸出的變量重要性如圖４．邋２所示，排名依次為：借款利率（０．邋１９２３）、逡逑借款期限（０．１５２２）、歷史違約記錄（０．１２９６）、工作時間（０．０９３４）、信用認證（０．０６８９）、公逡逑司所處產(chǎn)業(yè)類型（０．０６８１）、收入水平（０．０６１１）、房產(chǎn)（０．０５４３）、性別（０．０５３２）、工作類別逡逑（０．０５２２）、婚姻狀況（０．０２２１）、借款金額（０．０２１１）、車產(chǎn)（０．０１１１）、借款目的（０．０１０２）、逡逑工作地點（０．０１０２）。逡逑變Ｍｉｆｉ要性逡逑０．２５００逡逑０．２０００逡逑０．１５００邐｜邐＾逡逑：：１邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邐逡逑＾邐ｖ邋ｘ邐ｖ：邐＊＼＾ｖ逡逑＇、Ｖ＇邋念？、含＼邐、ｒ邋ｃ邐＇、．《、令．、邐、ｔ、．邋＼逡逑，、＇二逡逑Ａｓ逡逑圖４．２各屬性變量重要性逡逑從圖中可以看出對模型影響最大的是借款利率指標，同時在借款利率也是所有字段中逡逑信息增益率最大的屬性，這也充分說明了借款利率指標與違約情況關(guān)聯(lián)十分高，由于文章逡逑所選取的實證數(shù)據(jù)均為信用標的借款，借款人在發(fā)布了借款標的之后，由投資人依據(jù)其在逡逑平臺留下的各個維度的基本信息來判斷是否對其進行投資，如果投資人認為某個借款人未逡逑來違約風險較大，則該筆借款標的便為成為流標，如果借款人還想獲得借款便需要繼續(xù)重逡逑新發(fā)布借款信息，在此過程中借款人也在不斷調(diào)整借款利率，所以最終的借款利率數(shù)據(jù)也逡逑是借款人和資金端投資人相互博弈的結(jié)果

【相似文獻】

相關(guān)期刊論文 前10條

1 田婕;;打開信用評分市場大門[J];金融電子化;2006年05期

2 吳潔;信用評分技術(shù)在中小企業(yè)貸款中的應用[J];現(xiàn)代金融;2005年08期

3 韓茜;任麗蓉;劉道瞳;千夢強;楊天尊;郭凱;;基于大數(shù)據(jù)的個人信用評分發(fā)展新趨勢[J];創(chuàng)新科技;2018年02期

4 李延東;鄭小娟;;信用評分卡體系的發(fā)展及應用[J];青海金融;2016年06期

5 潘勇;;逆向選擇視角下信用評分機制與擔保機制的效用研究——基于淘寶網(wǎng)的案例分析[J];商業(yè)經(jīng)濟與管理;2013年06期

6 李延東;鄭小娟;;信用評分卡體系的發(fā)展及應用[J];甘肅金融;2016年03期

7 宋哲;宋文祥;;個人信用評分:不可忽視的“信譽財富”[J];當代金融家;2016年08期

8 林治乾;嚴志輝;;信用評分卡在中小企業(yè)貸款業(yè)務中的應用[J];銀行家;2013年02期

9 黎玉華;;信用評分卡模型的建立[J];科技信息;2010年13期

10 林治乾;張鵬逸;崔紫瑩;;中小企業(yè)信用評分卡系統(tǒng)的構(gòu)建與實施[J];銀行家;2013年07期

相關(guān)會議論文 前1條

1 李建平;潘若愚;李軼琳;;一種簡單而有效的信用評分方法[A];2004年中國管理科學學術(shù)會議論文集[C];2004年

相關(guān)重要報紙文章 前10條

1 葉大清 李英浩;信用評分:數(shù)據(jù)、技術(shù)和應用[N];金融時報;2014年

2 趙寧;“個人信用評分”是怎么回事[N];檢察日報;2000年

3 中國金融電子化公司信用評分工作小組;信用評分如何實現(xiàn)本土化[N];金融時報;2006年

4 田婕;美國信用評分應用的做法與經(jīng)驗[N];金融時報;2006年

5 于津生;信用評分方法的技術(shù)基礎(chǔ)[N];金融時報;2006年

6 經(jīng)濟法學者 王立;市場化個人信用評分工具的“軟約束”[N];上海證券報;2018年

7 李銘;通用信用評分在美國市場的應用[N];金融時報;2014年

8 深圳商報記者 吳玉函;信用評分或影響婚戀交友[N];深圳商報;2015年

9 記者 童芬芬;民營征信開推個人信用評分[N];中華工商時報;2015年

10 深圳商報記者 李欽;深圳給600萬市民評信用等級[N];深圳商報;2005年

相關(guān)博士學位論文 前4條

1 陳昊潔;基于選擇性集成算法的個人信用評分方法研究[D];哈爾濱工業(yè)大學;2016年

2 劉_";信用評分理論與應用研究[D];湖南大學;2010年

3 向暉;個人信用評分組合模型研究與應用[D];湖南大學;2011年

4 陳為民;基于支持向量機的信用卡信用風險管理模型與技術(shù)研究[D];湖南大學;2009年

相關(guān)碩士學位論文 前10條

1 張澤偉;基于決策樹C5.0算法的P2P平臺個人信用評分研究[D];天津財經(jīng)大學;2018年

2 黃日康;基于XGBoost算法的個人信用評分方案策劃[D];上海師范大學;2019年

3 盧嬋;寧夏小微企業(yè)信用評分問題研究[D];東北大學;2015年

4 李昕;拒絕推斷在信用評分卡模型中的應用[D];重慶大學;2018年

5 沈一;基于小額貸款的信用評分堆疊模型研究與應用[D];天津商業(yè)大學;2018年

6 楊靜;信用評分卡的建立與應用[D];天津商業(yè)大學;2018年

7 雒航通;基于DBN的改進深度學習模型及應用研究[D];西安理工大學;2018年

8 張婷婷;Logistic回歸及其相關(guān)方法在個人信用評分中的應用[D];太原理工大學;2017年

9 楊志群;消費信貸中的個人信用評分研究[D];湖南大學;2011年

10 張飛;個人信用評分組合模型研究[D];電子科技大學;2015年

本文編號：2754101