隨著金融行業(yè)和互聯(lián)網(wǎng)行業(yè)的緊密結(jié)合,國(guó)內(nèi)各金融機(jī)構(gòu)紛紛把個(gè)人消費(fèi)貸款業(yè)務(wù)作為未來(lái)的發(fā)展戰(zhàn)略之一,而其中個(gè)人信用風(fēng)險(xiǎn)控制作用至關(guān)重要。通過(guò)將用戶在各個(gè)層面上的行為進(jìn)行數(shù)據(jù)化和整合化,運(yùn)用并行化和深度挖掘的方式,將用戶消費(fèi)和行為信息轉(zhuǎn)化為個(gè)人信用的評(píng)估依據(jù),以此來(lái)為各金融機(jī)構(gòu)提供個(gè)人信用風(fēng)險(xiǎn)控制。在大數(shù)據(jù)領(lǐng)域,傳統(tǒng)的風(fēng)險(xiǎn)模型存在處理效率及精確度難以適應(yīng)的問(wèn)題。因此,如何結(jié)合傳統(tǒng)風(fēng)險(xiǎn)評(píng)估模型和機(jī)器學(xué)習(xí)技術(shù),針對(duì)大數(shù)據(jù)特性,獲得一個(gè)更加精準(zhǔn)的評(píng)估模型,是一個(gè)值得研究的課題。本文的研究?jī)?nèi)容就圍繞這個(gè)問(wèn)題展開(kāi)。主要的工作包括:（1）就模型的數(shù)據(jù)基礎(chǔ)、表現(xiàn)定義及邏輯、樣本分類和抽樣方案等建模基礎(chǔ)信息進(jìn)行詳細(xì)介紹及分析,并提出大數(shù)據(jù)環(huán)境下的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型——CEvaluation+。（2）從不同維度來(lái)構(gòu)建用戶信用畫(huà)像,進(jìn)行數(shù)據(jù)收集、數(shù)據(jù)核對(duì)、數(shù)據(jù)清洗、因子分析法等預(yù)處理方法。（3）結(jié)合高效、可解釋性的Logistic算法以及高精確度和低數(shù)據(jù)分布要求的深度學(xué)習(xí)模型,構(gòu)建評(píng)估預(yù)警模型。具體過(guò)程是:先對(duì)待處理的數(shù)據(jù)使用Logistic算法進(jìn)行預(yù)判,對(duì)預(yù)判結(jié)果為―壞用戶‖以及―中間用戶‖的案例,將決策樹(shù)... 

【文章來(lái)源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

逐回歸基本驟Fig.2-1Basicprocessofstepwiseregression主成分分析法是解決重疊變量的有效分析方法，通過(guò)識(shí)別變量之間的相關(guān)關(guān)

圖 2-2 單 神經(jīng)元結(jié)構(gòu)模Fig.2-2 A single neuron structure model的結(jié)構(gòu)模型，我們可以按照其上的符號(hào)標(biāo)注，描繪其工作是輸入端，接收來(lái)自用戶輸入的數(shù)值。每一個(gè)輸入都對(duì)應(yīng)一個(gè)權(quán)值i ，求出所有輸入的加權(quán)和應(yīng)關(guān)系如下：為激活函數(shù)進(jìn)行轉(zhuǎn)換，通常其為非線性特征函數(shù)，如此便線性的變換，最終輸出結(jié)果 y。經(jīng)元模型主要為閾值型、分段線性型、Sigmoid 函數(shù)型和 T Sigmoid 函數(shù)型的神經(jīng)元。圖 2-3 為對(duì)應(yīng)的模型圖。它通接節(jié)點(diǎn)之間的權(quán)值實(shí)現(xiàn)信息處理，也正是通過(guò)調(diào)節(jié)權(quán)值，應(yīng)的能力。神經(jīng)網(wǎng)絡(luò)模型主要分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)，

14圖 2-3 常用神經(jīng)元模[29]Fig.2-3 Commonly used neuron model2.2.4 SVM 模型SVM(Support Vector Machine)指的是支持向量機(jī)，它的提出來(lái)源于統(tǒng)計(jì)學(xué)理論。通過(guò)對(duì)線性可分的改進(jìn)，使該學(xué)習(xí)模型具備監(jiān)督性。所以在回歸分析和分類等領(lǐng)域有著廣泛的使用。SVM 之所以稱為線性可分問(wèn)題的進(jìn)階解決方案，主要對(duì)于非線性可分問(wèn)題也可以進(jìn)行很好的解決。它通過(guò)一個(gè)非線性映射，將其轉(zhuǎn)換為高維特征空間中，從而轉(zhuǎn)換為線性可分的問(wèn)題，使得復(fù)雜的問(wèn)題也能得以解決[17]。雖然提升維度會(huì)帶來(lái)眾多問(wèn)題，特別是計(jì)算時(shí)間的大幅度提高，但是針對(duì)無(wú)法線性處理的樣本集，這無(wú)疑是極具突破性的。通過(guò)樣本空間的巧妙轉(zhuǎn)換也可以解決分類、聚類等問(wèn)題，對(duì)于復(fù)雜的劃分也可以做到迎刃而解。劃分方法類似于在特征空間中構(gòu)建最優(yōu)超

【參考文獻(xiàn)】：
期刊論文
[1]互聯(lián)網(wǎng)金融時(shí)代商業(yè)銀行發(fā)展個(gè)人信貸業(yè)務(wù)探究[J]. 崔勇,穆樂(lè)華,景士晶,佟翠英,郝靜,徐琳,林更.  北京金融評(píng)論. 2017(02)
[2]我國(guó)互聯(lián)網(wǎng)金融的風(fēng)險(xiǎn)與防范研究[J]. 吳抒曼.  現(xiàn)代金融. 2017(02)
[3]運(yùn)用ANNs算法和BP算法對(duì)產(chǎn)業(yè)優(yōu)化轉(zhuǎn)型升級(jí)研究[J]. 林鋒,黃麗華.  貴陽(yáng)學(xué)院學(xué)報(bào)(自然科學(xué)版). 2016(04)
[4]基于隨機(jī)森林算法的綠色信貸信用風(fēng)險(xiǎn)評(píng)估研究[J]. 李進(jìn).  金融理論與實(shí)踐. 2015(11)
[5]基于決策樹(shù)的P2P網(wǎng)貸信用風(fēng)險(xiǎn)評(píng)價(jià)[J]. 孫同陽(yáng),謝朝陽(yáng).  商業(yè)經(jīng)濟(jì)研究. 2015(02)
[6]互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)控制[J]. 孫淑萍.  金融理論與實(shí)踐. 2014(11)
[7]商業(yè)銀行的個(gè)人信用評(píng)估研究:基于PCA-GA-BP算法[J]. 王天擎,劉小清.  價(jià)值工程. 2014(31)
[8]關(guān)于當(dāng)前互聯(lián)網(wǎng)金融征信發(fā)展的思考[J]. 袁新峰.  征信. 2014(01)
[9]基于Logistics回歸算法的證券客戶流失預(yù)測(cè)模型及應(yīng)用[J]. 吳斌,應(yīng)力.  金融電子化. 2013(07)

博士論文
[1]基于大數(shù)據(jù)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型研究[D]. 張萬(wàn)軍.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 2016

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)模型的中國(guó)P2P借款人信用風(fēng)險(xiǎn)評(píng)估研究[D]. 黃震.北京交通大學(xué) 2015
[2]商業(yè)銀行個(gè)人信用評(píng)估模型研究[D]. 張健.廣西大學(xué) 2012



本文編號(hào)：3480735