發(fā)布時間：2024-04-03 03:45

　　伴隨著居民的生活水平不斷改善、消費能力不斷提高,信貸方式的多樣化、貸款門檻的慢慢降低,越來越多的人們開始通過貸款進行消費。人們的消費觀念慢慢向貸款消費轉(zhuǎn)變傾斜,這使得信貸機構(gòu)面臨的信用風險逐漸增大。因此對信貸機構(gòu)的管理水平與風險控制均提出了更高的要求,也對信貸機構(gòu)能夠更準確地識別出存在潛在違約風險客戶的能力有了更高的要求。對于信貸業(yè)務(wù)每年動輒數(shù)萬億資金體量而言,即使預測準確率僅僅是微小的提升,都將幫助信貸機構(gòu)避免巨大的經(jīng)濟損失。更準確的識別出借款人的風險,不僅可以幫助信貸機構(gòu)識別出風險客戶和優(yōu)質(zhì)客戶,降低違約風險。同時也有助于維護信貸市場的秩序和穩(wěn)定,推動其良性發(fā)展。本文選擇對信貸違約預測進行研究,基于機器學習方法,提出一種改進的違約預測模型,預測未來客戶是否會產(chǎn)生違約行為。以期為信貸機構(gòu)做出貸款審批的管理決策提供一些依據(jù),幫助其降低客戶違約風險、減少壞賬率。為信貸機構(gòu)制定控制信用風險相應對策、加強風險控制提供一些思路。本文提出基于Bagging算法集成LightGBM模型對信貸數(shù)據(jù)進行預測。首先,針對信貸數(shù)據(jù)數(shù)量龐大、信息復雜的特點,對數(shù)據(jù)進行預處理后,選擇面對高維數(shù)據(jù)可以更快地給出...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

圖１－１研究技術(shù)路線圖??１０??

?基于集成ＬｉｇｈｔＧＢＭ模型的信貸違約預測研究??１．５研究技術(shù)路線圖??研究背景聽義??ｚｚｚｒｚ＾??文獻驗????ｉｒ????概念內(nèi)涵及理諗槪述??顯給數(shù)鋸獲取???Ｕ＇??數(shù)麵＿??數(shù)搦平衡艦??—．．．．－－Ｔ．．－??指標麵??￣￡?????４；?￣一＿：????—....

圖２－２?Ｂａｇｇｉｎｇ算法流程圖??

行??投票（或平均），使用投票得分最高的分類（或平均）作為最終的分類（或回歸）??結(jié)果。Ｂａｇｇｉｎｇ中各個基學習器之間相互獨立、沒有依賴，可以把它簡單地看成??并行，它把各個相互獨立的基學習器的結(jié)果組織起來，參考各種情況后取一個??折中的結(jié)果。常見的Ｂａｇｇｉｎｇ算法有隨機森林....

圖２－３?Ｂｏｏｓｔｉｎｇ算法流程圖??

串行，??它是根據(jù)舊模型中的錯誤來訓練新模型，層層改進。常見的Ｂｏｏｓｔｍｇ算法有自??適應提升算法（ＡｄａＢｏｏｓｔ）以及梯度提升算法（Ｇｒａｄｉｅｎｔ?Ｂｏｏｓｔｉｎｇ），如ＧＢＤＴ、??ＸＧＢｏｏｓｔ、ＧＢＭ?等。??ｉ＇ｌｌ?ｉｆ－?Ｕ??原始訓練集Ｄ????＞基學習器ｈ....

圖２－４?Ｓｔａｃｋｉｎｇ算法流程圖??

?２信貸違約預測模型及評價方法介紹???神經(jīng)網(wǎng)絡(luò)作為元模型，那么神經(jīng)網(wǎng)絡(luò)將會把三個基礎(chǔ)模型組合起來，以三個基??礎(chǔ)模型的預測結(jié)果作為輸入，返回最終的預測結(jié)果。??

本文編號：3946666