【摘要】：隨著個人消費(fèi)信貸的快速發(fā)展,國內(nèi)個人信用卡的使用正表現(xiàn)出與日俱增的趨勢,越來越多的人們認(rèn)識到信用貸款的便捷與好處,更有走在前端的金融人士將信用貸款作為一種投資手段加以利用,那么為了快速而有效地對他們進(jìn)行個人信用風(fēng)險評估和預(yù)測,越來越多的相關(guān)業(yè)務(wù)部門開始需要利用數(shù)學(xué)挖掘等科學(xué)高效的技術(shù)來實(shí)現(xiàn)用戶的評估和評價。本文以Lending Club公司個人消費(fèi)信貸數(shù)據(jù)為基礎(chǔ),將數(shù)據(jù)挖掘技術(shù)應(yīng)用于P2P信貸領(lǐng)域。在進(jìn)行了相關(guān)的理論分析后,本文對數(shù)據(jù)進(jìn)行了大量的基礎(chǔ)處理,如數(shù)據(jù)轉(zhuǎn)換、缺失值處理、數(shù)據(jù)整合及數(shù)據(jù)標(biāo)準(zhǔn)化等,從根本上保證數(shù)據(jù)的正確性、一致性、完整性和可靠性。文章隨后對借款人進(jìn)行了用戶畫像,從描述性統(tǒng)計(jì)上首先掌握了借款人的相關(guān)信息。之后根據(jù)標(biāo)準(zhǔn)化后的整齊數(shù)據(jù)框,建立了單一預(yù)測模型,包括logistic回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型,在模型建立過程中對它們進(jìn)行優(yōu)化,達(dá)到了最好的單一模型預(yù)測結(jié)果。然后通過隨機(jī)森林的訓(xùn)練來挑選出借款人的有效預(yù)測變量,剔除冗余指標(biāo)對預(yù)測結(jié)果的干擾,加上Logistic回歸的輸出結(jié)果(即概率值)作為新增的重要變量,共同作為人工神經(jīng)網(wǎng)絡(luò)模型的輸入端變量建立了組合模型。經(jīng)驗(yàn)證,組合模型比單一模型的準(zhǔn)確率更高,穩(wěn)定性更強(qiáng),可解釋性更優(yōu)良。最后,本文對分析過程中存在的一些潛在問題進(jìn)行了剖析,并對后續(xù)的工作進(jìn)行了展望。本文的最終目的在于利用國外已經(jīng)相對成熟的P2P網(wǎng)貸經(jīng)營模式下產(chǎn)生的借款人畫像來建立有效的風(fēng)險評估模型,推動建設(shè)國內(nèi)的個人信用風(fēng)險評估體系,以期為個人消費(fèi)信貸這類商業(yè)實(shí)踐提供一定的技術(shù)支持。
[Abstract]:With the rapid development of personal consumer credit, the use of personal credit cards in China is showing a growing trend, and more people realize the convenience and benefits of credit loans. In order to quickly and effectively assess and predict their personal credit risk, some financial people who go to the front end use credit loans as an investment tool, so that they can be quickly and effectively assessed and predicted their personal credit risks. More and more related business departments need to use scientific and efficient technology such as mathematical mining to realize the evaluation and evaluation of users. Based on the personal consumption credit data of Lending Club Company, this paper applies data mining technology to P2P credit field. After the relevant theoretical analysis, this paper has carried on a lot of basic processing to the data, such as data conversion, missing value processing, data integration and data standardization, and so on, which ensures the correctness and consistency of the data fundamentally. Integrity and reliability. Then, the paper makes a user portrait of the borrower, and first grasps the relevant information of the borrower from descriptive statistics. Then a single prediction model, including logistic regression model and artificial neural network model, is established according to the standardized neat data frame. The model is optimized in the process of establishing the model, and the best single model prediction result is achieved. Then through the random forest training to select the borrower's effective forecast variables, eliminate the redundancy index interference to the prediction results, plus the Logistic regression output results (that is, probability value) as the new important variable. As the input variables of artificial neural network (Ann) model, a combined model is established. It is proved that the combination model is more accurate, more stable and more explanatory than a single model. Finally, some potential problems in the process of analysis are analyzed, and the future work is prospected. The ultimate purpose of this paper is to build an effective risk assessment model by using the portrait of the borrower under the relatively mature P2P network loan management mode in foreign countries, and to promote the construction of the domestic personal credit risk assessment system. In order to provide some technical support for personal consumption credit business practice.
【學(xué)位授予單位】：首都經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F832.4

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柳向東;李鳳;;大數(shù)據(jù)背景下網(wǎng)絡(luò)借貸的信用風(fēng)險評估——以人人貸為例[J];統(tǒng)計(jì)與信息論壇;2016年05期

2 黃巍;張靚;唐友;;基于SVM算法的個人信用評估方法的完善[J];黑龍江八一農(nóng)墾大學(xué)學(xué)報;2016年02期

3 韓民;鄭慶寰;;美國小企業(yè)P2P網(wǎng)絡(luò)借貸分析與監(jiān)管改革——基于Lending Club的數(shù)據(jù)[J];現(xiàn)代財(cái)經(jīng)(天津財(cái)經(jīng)大學(xué)學(xué)報);2016年04期

4 訾達(dá);;中美P2P平臺運(yùn)營模式比較——以有利網(wǎng)和Lending Club為例[J];金融經(jīng)濟(jì);2015年18期

5 史小康;何曉群;;有偏logistic回歸模型及其在個人信用評級中的應(yīng)用研究[J];數(shù)理統(tǒng)計(jì)與管理;2015年06期

6 溫小霓;武小娟;;P2P網(wǎng)絡(luò)借貸成功率影響因素分析——以拍拍貸為例[J];金融論壇;2014年03期

7 姜明輝;謝行恒;王樹林;溫瀟;;個人信用評估的Logistic-RBF組合模型[J];哈爾濱工業(yè)大學(xué)學(xué)報;2007年07期

8 肖文兵;費(fèi)奇;;基于支持向量機(jī)的個人信用評估模型及最優(yōu)參數(shù)選擇研究[J];系統(tǒng)工程理論與實(shí)踐;2006年10期

9 鐘波,肖智 ,劉朝林,陳玲;基于LS-SVM的信用評價方法[J];統(tǒng)計(jì)研究;2005年11期

10 石慶焱;一個基于神經(jīng)網(wǎng)絡(luò)——Logistic回歸的混合兩階段個人信用評分模型研究[J];統(tǒng)計(jì)研究;2005年05期

相關(guān)會議論文 前1條

1 劉晶;譚峰;柴容倩;;個人信用風(fēng)險評估方法的研究——基于lending club數(shù)據(jù)[A];2015年（第四屆）全國大學(xué)生統(tǒng)計(jì)建模大賽論文[C];2015年

相關(guān)博士學(xué)位論文 前5條

1 帥理;個人信用風(fēng)險評估理論與方法的拓展研究[D];電子科技大學(xué);2015年

2 向暉;個人信用評分組合模型研究與應(yīng)用[D];湖南大學(xué);2011年

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

4 趙靜嫻;基于決策樹的信用風(fēng)險評估方法研究[D];天津大學(xué);2009年

5 沈翠華;基于支持向量機(jī)的消費(fèi)信貸中個人信用評估方法研究[D];中國農(nóng)業(yè)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 林麗濤;Lending Club P2P平臺風(fēng)險管理控制體系研究[D];北京林業(yè)大學(xué);2016年

2 王夢佳;基于Logistic回歸模型的P2P網(wǎng)貸平臺借款人信用風(fēng)險評估[D];北京外國語大學(xué);2015年

3 張佳維;基于模糊神經(jīng)網(wǎng)絡(luò)的個人信用風(fēng)險評估[D];內(nèi)蒙古大學(xué);2014年

4 周軒;基于數(shù)據(jù)挖掘技術(shù)的商業(yè)銀行個人信用評分模型研究[D];湖南大學(xué);2014年

5 白金瑞;基于Logistic回歸的神經(jīng)網(wǎng)絡(luò)模型在個人信用評估中的應(yīng)用[D];內(nèi)蒙古大學(xué);2012年

6 馮瓊;基于組合預(yù)測模型的銀行個人信用風(fēng)險評估體系應(yīng)用研究[D];中南民族大學(xué);2011年

7 王遠(yuǎn)慶;基于數(shù)據(jù)挖掘技術(shù)的個人信用評估模型研究[D];西南財(cái)經(jīng)大學(xué);2009年

8 王琪;基于數(shù)據(jù)挖掘的商業(yè)銀行個人信用風(fēng)險評估體系研究[D];北京交通大學(xué);2009年

9 李景亮;數(shù)據(jù)挖掘技術(shù)在個人信貸分析中的應(yīng)用[D];華東師范大學(xué);2008年

10 楊旭;神經(jīng)網(wǎng)絡(luò)在個人住房貸款信用評估中的研究[D];對外經(jīng)濟(jì)貿(mào)易大學(xué);2007年

，

本文編號：2452759