個人信用評估是P2P網(wǎng)貸行業(yè)風險控制的核心。然而針對P2P網(wǎng)貸行業(yè)中個人信用風險評估模型的應用研究十分缺乏,因此對存在諸多亂象的國內(nèi)P2P網(wǎng)貸行業(yè)的研究顯得尤為緊迫。首先利用支持向量機建立了個人信用評估模型,并引入遺傳算法對模型進行參數(shù)優(yōu)化,然后針對兩個P2P網(wǎng)貸平臺的樣本做了有效性分析和推廣性分析,并根據(jù)實證結(jié)果探討了刷信用行為存在的潛在風險。實證結(jié)果顯示,GA-SVM模型能夠有效解決P2P網(wǎng)貸平臺的個人信用評估問題,并具有良好的穩(wěn)健性和推廣性。 

【文章來源】：控制工程. 2020,27(06)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

樣本信用得分分布圖

目標平臺預測樣本逾期次數(shù)分布圖

利用人人貸上的樣本數(shù)據(jù)建立預測模型對目標平臺上的風險樣本進行識別，必須保證訓練集樣本和預測集樣本包含相同的特征變量，而特征變量的增減又會影響到模型參數(shù)的選取。故首先要做的是將目標平臺樣本中沒有的特征變量從人人貸平臺樣本的特征變量中剔除，使單個樣本中所包含的特征變量統(tǒng)一為相同的14個，并利用人人貸上的樣本數(shù)據(jù)重新訓練模型，進行參數(shù)尋優(yōu)，再對目標平臺上的風險樣本進行識別。運算結(jié)果，如圖3所示。通過參數(shù)優(yōu)化運算后得到參數(shù)C的最優(yōu)值為93.66，參數(shù)g的最優(yōu)值為0.42，交叉驗證正確率為97.09%。

【參考文獻】：
期刊論文
[1]基于遺傳算法的飛機一體化排班優(yōu)化方法[J]. 李耀華,譚娜.  控制工程. 2017(02)
[2]基于支持向量機的分類辨識方法及應用[J]. 馬相東,盧占慶,譚永彥,王秀英.  控制工程. 2016(05)
[3]基于改進的SVM學習算法及其在信用評分中的應用[J]. 陸愛國,王玨,劉紅衛(wèi).  系統(tǒng)工程理論與實踐. 2012(03)
[4]信用評估中的魯棒賦權(quán)自適應Lp最小二乘支持向量機方法[J]. 劉京禮,李建平,徐偉宣,石勇.  中國管理科學. 2010(05)



本文編號：3294393