互聯(lián)網(wǎng)金融中,貸款企業(yè)與申請(qǐng)者之間存在不完全信息博弈,但實(shí)踐中傳統(tǒng)的海薩尼轉(zhuǎn)換需要用到的新的貸款申請(qǐng)者的信用類型的概率分布很難獲得,本文嘗試?yán)媒y(tǒng)計(jì)學(xué)習(xí)方法解決此問(wèn)題。主要的研究工作包括如下三部分。第一,構(gòu)建互聯(lián)網(wǎng)金融企業(yè)與貸款申請(qǐng)者之間的不完全信息互聯(lián)網(wǎng)貸款信用博弈(3ILCG),采用傳統(tǒng)的海薩尼轉(zhuǎn)換分析進(jìn)行理論分析;并提出了采用統(tǒng)計(jì)學(xué)習(xí)方法預(yù)測(cè)貸款申請(qǐng)者的信用風(fēng)險(xiǎn),以驅(qū)動(dòng)海薩尼轉(zhuǎn)換的方法。第二,采用三種統(tǒng)計(jì)學(xué)習(xí)方法度量貸款申請(qǐng)者的信用風(fēng)險(xiǎn)。首先,定義了信用風(fēng)險(xiǎn),并采用梯度提升決策樹(GBDT)模型度量之。其次,提出了耦合支持向量機(jī)(SVM)的GBDT模型(SVM-GBDT),選擇SVM中的支持向量作為新的訓(xùn)練集,在保證數(shù)據(jù)信息的同時(shí)大大減少數(shù)據(jù)規(guī)模;并利用該模型度量了信用風(fēng)險(xiǎn),結(jié)果表明:SVM-GBDT在保證正確率的前提下效率提升了73.72%。最后,采用eXtreme Gradient Boosting模型(XGBoost)度量信用風(fēng)險(xiǎn),實(shí)證結(jié)果表明:該模型相比于GBDT模型,精度提升了0.0107且效率提升了44.34%。三種方法綜合比較表明:在征信數(shù)據(jù)規(guī)模較大時(shí)適合采用SVM...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 互聯(lián)網(wǎng)金融博弈研究現(xiàn)狀
        1.2.2 不完全信息博弈研究現(xiàn)狀
        1.2.3 互聯(lián)網(wǎng)金融信用風(fēng)險(xiǎn)研究現(xiàn)狀
    1.3 研究動(dòng)機(jī)與思路
        1.3.1 研究動(dòng)機(jī)
        1.3.2 研究思路
    1.4 論文章節(jié)安排
    1.5 文章創(chuàng)新點(diǎn)
第2章 研究基礎(chǔ)
    2.1 數(shù)據(jù)基礎(chǔ)
        2.1.1 數(shù)據(jù)概覽
        2.1.2 數(shù)據(jù)預(yù)處理
        2.1.3 數(shù)據(jù)統(tǒng)計(jì)分析
        2.1.4 特征重要性排序
    2.2 模型評(píng)價(jià)指標(biāo)
        2.2.1 混淆矩陣
        2.2.2 分類模型常用評(píng)價(jià)指標(biāo)
        2.2.3 本文所用評(píng)價(jià)指標(biāo)
    2.3 本章小結(jié)
第3章 互聯(lián)網(wǎng)金融不完全信息博弈
    3.1 不完全信息靜態(tài)博弈理論基礎(chǔ)
    3.2 傳統(tǒng)海薩尼轉(zhuǎn)換的概述
    3.3 不完全信息互聯(lián)網(wǎng)貸款信用博弈模型(3ILCG)
        3.3.1 不完全信息互聯(lián)網(wǎng)貸款信用博弈(3ILCG)
        3.3.2 傳統(tǒng)海薩尼轉(zhuǎn)換分析3ILCG
    3.4 信用風(fēng)險(xiǎn)驅(qū)動(dòng)的海薩尼轉(zhuǎn)換的構(gòu)想
    3.5 本章小結(jié)
第4章 基于GBDT模型的互聯(lián)網(wǎng)金融信用風(fēng)險(xiǎn)度量
    4.1 互聯(lián)網(wǎng)金融貸款申請(qǐng)者信用風(fēng)險(xiǎn)定義
    4.2 梯度提升決策樹(GBDT)概述
    4.3 基于GBDT的互聯(lián)網(wǎng)金融信用風(fēng)險(xiǎn)度量
        4.3.1 基于GBDT模型的信用風(fēng)險(xiǎn)度量框架
        4.3.2 劃分?jǐn)?shù)據(jù)集
        4.3.3 學(xué)習(xí)和檢驗(yàn)GBDT模型
    4.4 本章小結(jié)
第5章 基于SVM-GBDT模型的信用風(fēng)險(xiǎn)度量
    5.1 支持向量機(jī)(SVM)概述
    5.2 SVM-GBDT模型思路
    5.3 基于SVM-GBDT模型的信用風(fēng)險(xiǎn)度量框架
    5.4 學(xué)習(xí)和檢驗(yàn)SVM-GBDT模型
    5.5 本章小結(jié)
第6章 基于XGBOOST模型的信用風(fēng)險(xiǎn)度量
    6.1 EXTREME GRADIENT BOOSTING(XGBOOST)概述
    6.2 基于XGBOOST模型的信用風(fēng)險(xiǎn)度量框架
    6.3 學(xué)習(xí)和檢驗(yàn)XGBOOST模型
    6.4 三種度量信用風(fēng)險(xiǎn)模型對(duì)比
    6.5 本章小結(jié)
第7章 信用風(fēng)險(xiǎn)驅(qū)動(dòng)的海薩尼轉(zhuǎn)換及其應(yīng)用
    7.1 三類信用風(fēng)險(xiǎn)驅(qū)動(dòng)的海薩尼轉(zhuǎn)換的框架
    7.2 XGBOOST驅(qū)動(dòng)的海薩尼轉(zhuǎn)換在3ILCG中的應(yīng)用
        7.2.1 3ILCG中的XGBoost驅(qū)動(dòng)的海薩尼轉(zhuǎn)換
        7.2.2 數(shù)值分析
    7.3 本章小結(jié)
第8章 總結(jié)與展望
    8.1 總結(jié)
    8.2 展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間發(fā)表的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目



本文編號(hào)：3740307