發(fā)布時間：2024-03-24 14:27

　　本文利用大數(shù)據(jù)網(wǎng)絡爬蟲技術(shù)收集了網(wǎng)貸第三方網(wǎng)站平臺的公開數(shù)據(jù),利用機器學習模型對網(wǎng)貸平臺的非法集資風險進行了預警研究,比較了傳統(tǒng)機器學習方法(以邏輯回歸和決策樹模型為代表)與前沿機器學習模型(以隨機森林模型和XGBoost模型為代表)在多個預測指標上的靜態(tài)預警效能,并在動態(tài)預警框架下研究了網(wǎng)貸平臺全生命周期內(nèi)各模型的動態(tài)預警效果。研究表明,傳統(tǒng)與前沿機器學習模型均表現(xiàn)出了優(yōu)良的預警效果,傳統(tǒng)模型的準確率略低于前沿模型,但決策樹模型在重要檢出率指標上的表現(xiàn)優(yōu)于其他模型。在動態(tài)預警框架下,本文發(fā)現(xiàn)在平臺全生命周期內(nèi),所采用機器學習模型的預警效果隨時間的變化呈現(xiàn)波動上升并在2017年后緩慢下降的趨勢。雖然該趨勢與我國網(wǎng)貸行業(yè)的發(fā)展和監(jiān)管現(xiàn)狀相符,但也表明預警模型的使用者應積極尋找表外指標,進一步挖掘網(wǎng)貸平臺的深層次指標以穩(wěn)定預警效果。

【文章頁數(shù)】：8 頁

【文章目錄】：
一、引言與文獻綜述
二、指標分析與模型選擇
    (一)指標分析
    (二)模型選擇
三、數(shù)據(jù)處理與預警評估
    (一)數(shù)據(jù)處理
    (二)預警評估
四、實證分析
    (一)描述性統(tǒng)計分析
    (二)預警效果評價
    (三)指標重要性分析
    (四)動態(tài)預警分析
五、結(jié)論及政策建議



本文編號：3937586