近年來,隨著信貸業(yè)務(wù)的發(fā)展,在貸款的數(shù)量和金額飛速增長(zhǎng)的同時(shí),伴隨的問題與風(fēng)險(xiǎn)也隨之發(fā)生。違約風(fēng)險(xiǎn)是我國(guó)借貸業(yè)務(wù)中所面臨的主要風(fēng)險(xiǎn),如果可以精準(zhǔn)辨別借貸業(yè)務(wù)中的潛在違約用戶并對(duì)其進(jìn)行專項(xiàng)管理,一定程度上就可以避免這種情況的發(fā)生,降低銀行或者P2P企業(yè)的壞賬率,從而提高資源分配的合理性以及社會(huì)資金的利用率。對(duì)于貸款違約預(yù)測(cè)的研究,傳統(tǒng)上多使用邏輯回歸模型。在現(xiàn)如今的大數(shù)據(jù)時(shí)代,數(shù)據(jù)的量級(jí)、維度以及產(chǎn)生的速度相比以往都有了質(zhì)的飛躍,傳統(tǒng)的貸款違約風(fēng)險(xiǎn)評(píng)估模型面對(duì)如此海量的數(shù)據(jù),它的風(fēng)險(xiǎn)防控能力有了一定的弱化。面對(duì)大數(shù)據(jù)帶來的挑戰(zhàn),采用更具新意的模型和信息化手段對(duì)信貸風(fēng)險(xiǎn)的評(píng)估具有重大的現(xiàn)實(shí)意義。近些年來,決策樹、支持向量機(jī)、CatBoost等機(jī)器學(xué)習(xí)算法層出不窮,都更能適應(yīng)大數(shù)據(jù)時(shí)代海量數(shù)據(jù)所帶來的挑戰(zhàn)。每個(gè)模型都有自己獨(dú)特的優(yōu)點(diǎn),如果可以融合各個(gè)模型的優(yōu)點(diǎn),則可以達(dá)到更加精確的預(yù)測(cè)結(jié)果。本篇論文針對(duì)貸款數(shù)據(jù)不平衡、高維度、量級(jí)大等特點(diǎn),采用模型融合的方式建立雙層強(qiáng)學(xué)習(xí)器來評(píng)估貸款違約的風(fēng)險(xiǎn)。首先,從缺失值、異常值、同值率等方面入手對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。接著,從特征相關(guān)性、特征分箱、IV值等方...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 引言
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 研究目的和意義
    1.4 本文主要內(nèi)容和創(chuàng)新點(diǎn)
        1.4.1 主要內(nèi)容
        1.4.2 創(chuàng)新點(diǎn)
第二章 模型融合相關(guān)理論
    2.1 模型融合的含義
    2.2 模型融合的優(yōu)點(diǎn)
    2.3 模型融合的條件
    2.4 模型融合的相關(guān)分類
        2.4.1 投票法(Voting)
        2.4.2 平均法(Averaging)
        2.4.3 套袋法(Bagging)
        2.4.4 提升法(Boosting)
        2.4.5 學(xué)習(xí)法(Stacking和Blending)
第三章 貸款違約預(yù)測(cè)的融合模型設(shè)計(jì)
    3.1 貸款風(fēng)險(xiǎn)監(jiān)控體系
    3.2 評(píng)價(jià)指標(biāo)
    3.3 初級(jí)分類器的選擇
        3.3.1 隨機(jī)森林模型
        3.3.2 GBDT模型
        3.3.3 XGBoost模型
        3.3.4 LightGBM模型
        3.3.5 邏輯回歸模型
        3.3.6 各個(gè)模型的結(jié)果對(duì)比
    3.4 基于Voting融合方式的模型設(shè)計(jì)
    3.5 基于Blending融合方式的模型設(shè)計(jì)
    3.6 基于Stacking融合方式的模型設(shè)計(jì)
第四章 實(shí)證研究
    4.1 數(shù)據(jù)來源及描述
        4.1.1 數(shù)據(jù)來源
        4.1.2 數(shù)據(jù)描述
    4.2 數(shù)據(jù)預(yù)處理
        4.2.1 數(shù)據(jù)缺失值處理
        4.2.2 數(shù)據(jù)同值化處理
        4.2.3 數(shù)據(jù)異常值處理
        4.2.4 數(shù)據(jù)不平衡問題的處理
    4.3 特征工程
        4.3.1 特征篩選
        4.3.2 特征分箱
    4.4 基學(xué)習(xí)器的建立
    4.5 融合模型的建立
        4.5.1 基于Voting融合方式的建模結(jié)果
        4.5.2 基于Blending融合方式的建模結(jié)果
        4.5.3 基于Stacking融合方式的建模結(jié)果
    4.6 不同模型的評(píng)估指標(biāo)對(duì)比
第五章 結(jié)論與展望
    5.1 主要結(jié)論
    5.2 未來展望
參考文獻(xiàn)
致謝



本文編號(hào)：3890985