近年來(lái),隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展,居民收入水平的提高,越來(lái)越多的人們開始習(xí)慣于提前消費(fèi),促進(jìn)了我國(guó)個(gè)人信貸業(yè)務(wù)市場(chǎng)的快速增長(zhǎng)。但是,發(fā)展的過(guò)程中許多問(wèn)題也逐漸顯現(xiàn)。一是傳統(tǒng)銀行的審查機(jī)制過(guò)緊,不僅會(huì)使銀行的工作成本大幅增加,間接地提高貸款利率,還容易使其錯(cuò)失優(yōu)質(zhì)的客戶,影響銀行的收益;二是新興網(wǎng)貸平臺(tái)的審查機(jī)制過(guò)松,使借貸雙方處于信息不對(duì)稱的地位,導(dǎo)致了許多客戶信用違約、平臺(tái)攜款跑路等影響惡劣的事件,對(duì)我國(guó)信貸市場(chǎng)的發(fā)展產(chǎn)生了十分不良的影響,同時(shí)對(duì)信貸業(yè)務(wù)的風(fēng)險(xiǎn)控制提出了嚴(yán)峻挑戰(zhàn)。這兩大問(wèn)題背后的根源在于放貸一方對(duì)客戶的信用水平不能做出準(zhǔn)確的判斷,以致無(wú)法做出正確的放貸決策。數(shù)據(jù)挖掘是分析海量數(shù)據(jù)的一種手段,通過(guò)各種模型的訓(xùn)練過(guò)程,可以發(fā)現(xiàn)數(shù)據(jù)中隱藏的、不易察覺(jué)的關(guān)聯(lián)關(guān)系和因果規(guī)律。在信貸風(fēng)控領(lǐng)域,經(jīng)過(guò)多年的市場(chǎng)發(fā)展,行業(yè)內(nèi)已經(jīng)積累了大量的客戶貸款時(shí)產(chǎn)生的信用數(shù)據(jù),這些數(shù)據(jù)不僅本身蘊(yùn)藏著巨大的可分析價(jià)值,而且由于以上信貸市場(chǎng)問(wèn)題的存在,分析這些數(shù)據(jù)并找出客戶信用水平的規(guī)律變得十分必要和緊迫。通過(guò)數(shù)據(jù)挖掘模型的應(yīng)用,人們能發(fā)現(xiàn)客戶歷史貸款數(shù)據(jù)中各變量間的關(guān)系,從而為判斷客戶的信用水平提供幫... 

【文章來(lái)源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：49 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意義
    1.2 文獻(xiàn)綜述
        1.2.1 個(gè)體模型
        1.2.2 集成模型
    1.3 本文結(jié)構(gòu)及創(chuàng)新點(diǎn)
        1.3.1 本文結(jié)構(gòu)
        1.3.2 本文創(chuàng)新點(diǎn)
第2章 相關(guān)概念和研究方法
    2.1 變量選擇與降維
        2.1.1 變量選擇
        2.1.2 降維技術(shù)
    2.2 個(gè)體模型介紹
        2.2.1 K近鄰
        2.2.2 邏輯回歸
        2.2.3 決策樹
        2.2.4 支持向量機(jī)
    2.3 集成模型介紹
        2.3.1 Bagging
        2.3.2 Boosting
        2.3.3 Stacking
    2.4 模型評(píng)價(jià)指標(biāo)
        2.4.1 F1 度量
        2.4.2 交叉驗(yàn)證法
第3章 個(gè)人信貸風(fēng)控的變量選擇
    3.1 數(shù)據(jù)來(lái)源
    3.2 利用過(guò)濾式方法進(jìn)行變量選擇
        3.2.1 剔除無(wú)利用價(jià)值的變量
        3.2.2 根據(jù)信貸相關(guān)知識(shí)選擇變量
        3.2.3 利用GBDT法選擇變量
    3.3 數(shù)據(jù)變換
        3.3.1 定性變量定量化
        3.3.2 填補(bǔ)數(shù)據(jù)缺失值
        3.3.3 數(shù)據(jù)標(biāo)準(zhǔn)化
    3.4 數(shù)據(jù)降維
    3.5 類別不平衡處理
第4章 數(shù)據(jù)挖掘模型在個(gè)人信貸風(fēng)控中的實(shí)證分析
    4.1 個(gè)體模型實(shí)證
        4.1.1 K近鄰
        4.1.2 邏輯回歸
        4.1.3 決策樹
        4.1.4 支持向量機(jī)
    4.2 Stacking集成模型的建立
        4.2.1 生成次級(jí)訓(xùn)練集
        4.2.2 次級(jí)模型訓(xùn)練
        4.2.3 Stacking集成模型的建立
    4.3 Stacking集成模型的應(yīng)用
第5章 總結(jié)
    5.1 本文總結(jié)
    5.2 研究不足
參考文獻(xiàn)
附錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于Lasso-logistic模型的個(gè)人信用風(fēng)險(xiǎn)預(yù)警方法[J]. 方匡南,章貴軍,張惠穎.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2014(02)
[2]個(gè)人信用評(píng)估組合模型的構(gòu)建——基于決策樹—神經(jīng)網(wǎng)絡(luò)的研究[J]. 楊勝剛,朱琦,成程.  金融論壇. 2013(02)

碩士論文
[1]消費(fèi)金融公司個(gè)人信用評(píng)價(jià)方法研究[D]. 張秋月.云南財(cái)經(jīng)大學(xué) 2018
[2]多分類器融合算法的研究及其在信貸風(fēng)控中的應(yīng)用[D]. 陳羿螢.吉林大學(xué) 2018
[3]基于改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)價(jià)模型及算法研究[D]. 蔣維.電子科技大學(xué) 2018
[4]邏輯回歸模型在小額信貸企業(yè)中風(fēng)控環(huán)節(jié)的應(yīng)用研究[D]. 劉哲.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2018
[5]基于BP神經(jīng)網(wǎng)絡(luò)對(duì)信貸客戶逾期的分析與預(yù)測(cè)[D]. 孫小那.大連理工大學(xué) 2018
[6]基于邏輯回歸的個(gè)人信用評(píng)分模型的研究[D]. 金香.東北財(cái)經(jīng)大學(xué) 2016
[7]決策樹算法在P2P網(wǎng)貸借款信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[D]. 劉藝.湖南大學(xué) 2016



本文編號(hào)：3163916