【目的】分析客戶貸款信息基礎(chǔ)上,抽取貸款客戶特征并成像,利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建客戶信用模型,提高客戶網(wǎng)貸違約預(yù)測(cè)準(zhǔn)確率�！痉椒ā炕贚ending Club客戶信用數(shù)據(jù),將反映客戶信息4個(gè)方面的特征變量相互連接綜合成灰度圖,建立基于卷積神經(jīng)網(wǎng)絡(luò)的客戶信用評(píng)估模型�！窘Y(jié)果】實(shí)驗(yàn)結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)的新模型在信用評(píng)估實(shí)驗(yàn)中特異度為99.4%,靈敏度為68.7%,G-mean值為82.7%,F1值為81.4%,AUC值為99.5%,與傳統(tǒng)以特征處理為基礎(chǔ)的信用評(píng)估模型相比均有顯著提升�！揪窒蕖�?jī)H對(duì)比分析有限的信用評(píng)估模型,未對(duì)不平衡數(shù)據(jù)的影響做進(jìn)一步研究�！窘Y(jié)論】基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)貸客戶信用評(píng)估模型,在客戶違約特征信息提取和違約可能性的預(yù)測(cè)上具有良好性能。 

【文章來(lái)源】：數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2020,4(06)北大核心CSSCICSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【文章目錄】：
1 引言
2 模型構(gòu)建理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建
    2.2 模型輸入數(shù)據(jù)處理方法
3 實(shí)證
    3.1 樣本選取和數(shù)據(jù)預(yù)處理
    3.2 對(duì)比模型與評(píng)價(jià)指標(biāo)
    3.3 模型實(shí)證結(jié)果及分析
4 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的信用評(píng)估研究[J]. 熊志斌,吳維燁.  科研信息化技術(shù)與應(yīng)用. 2019(03)
[2]仿EM的多變量缺失數(shù)據(jù)填補(bǔ)算法及其在信用評(píng)估中的應(yīng)用[J]. 蔣輝,馬超群,許旭慶,蘭秋軍.  中國(guó)管理科學(xué). 2019(03)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度情感分析方法[J]. 李慧,柴亞青.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2019(01)
[4]基于WOE-Probit逐步回歸的信用指標(biāo)組合篩選模型及應(yīng)用[J]. 劉丹,李戰(zhàn)江,鄭喜喜.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(02)
[5]銀行客戶信用評(píng)估動(dòng)態(tài)分類(lèi)器集成選擇模型[J]. 肖進(jìn),劉敦虎,顧新,汪壽陽(yáng).  管理科學(xué)學(xué)報(bào). 2015(03)
[6]財(cái)務(wù)危機(jī)預(yù)警研究:存在問(wèn)題與框架重構(gòu)[J]. 吳星澤.  會(huì)計(jì)研究. 2011(02)
[7]基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型[J]. 楊淑娥,黃禮.  系統(tǒng)工程理論與實(shí)踐. 2005(01)

碩士論文
[1]商業(yè)銀行信用評(píng)級(jí)篩選財(cái)務(wù)指標(biāo)方法效果對(duì)比與校驗(yàn)[D]. 闞士行.山東大學(xué) 2010



本文編號(hào)：3202380