發(fā)布時(shí)間：2018-01-30 01:32

  本文關(guān)鍵詞： 信用卡 分類 變量選擇 預(yù)測　出處：《蘭州大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：因信用卡使用給人們帶來便利,越來越多的人使用信用卡。信用卡要求人們按時(shí)還款,若未按時(shí)還款,銀行將收取一定的利息獲益,因此各大銀行為了搶占市場,最大化發(fā)展客戶。但有一些客戶可能會違約使銀行利益受損,故控制違約情況顯得迫在眉睫。本文通過一組臺灣某銀行的客戶基本信息及違約數(shù)據(jù),來建立模型,運(yùn)用各種分類方法預(yù)測客戶是否即將違約,從而對客戶采取一定的限制行為,減少損失。其中分別使用以下分類方法:樸素貝葉斯、K近鄰、加權(quán)k近鄰、支持向量機(jī)、bagging、AdaBoost、決策樹、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)。比較各種方法結(jié)果,甄選出最適宜于分析信用卡數(shù)據(jù)的分類模型。其次,對數(shù)據(jù)預(yù)測中使用的變量進(jìn)行篩選,篩選出重要的變量以減輕模型的復(fù)雜度,以此減少我們監(jiān)督客戶是否違約的成本。
[Abstract]:Because of the convenience of credit card use, more and more people use credit card. Credit card requires people to repay on time. If they fail to repay on time, the bank will charge a certain amount of interest to benefit. Therefore, in order to seize the market and maximize the development of customers, some customers may default to the detriment of the bank. Therefore, it is urgent to control the default situation. Through a group of basic customer information and default data of a certain bank in Taiwan, this paper establishes a model and uses various classification methods to predict whether the customer is about to default. The following classification methods are used respectively: naive Bayes K-nearest neighbor, weighted k-nearest neighbor, support vector machine bagging. Ada boost, decision tree, random forest, neural network. Compared with the results of various methods, select the most suitable for the analysis of credit card data classification model. Secondly. In order to reduce the complexity of the model, the variables used in the data prediction are filtered out to reduce the cost of monitoring whether the customer is in default or not.
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F224;F832.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于昕;;我國信用卡風(fēng)險(xiǎn)管理探究[J];科技致富向?qū)?2012年05期

2 楊華福;論信用卡風(fēng)險(xiǎn)及其防范[J];科技廣場;2004年07期

3 任金政;陳寶峰;莊傳禮;;馬爾可夫鏈模型在信用卡賬戶行為變化預(yù)測中的應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;2008年09期

4 尹毅,呂麗芳;信用卡經(jīng)營中存在的問題與對策[J];科技情報(bào)開發(fā)與經(jīng)濟(jì);1997年03期

5 王正芳;我國信用卡新型卡種知多少?[J];科技信息;1997年01期

6 ;央行、銀監(jiān)會聯(lián)合防范信用卡風(fēng)險(xiǎn)[J];齊魯珠壇;2006年02期

7 魏婷;;淺談信用卡的風(fēng)險(xiǎn)管理[J];科技潮;2010年09期

8 鐘屹;;商業(yè)銀行信用卡風(fēng)險(xiǎn)問題研究[J];科技致富向?qū)?2013年06期

9 王小曼;;信用卡業(yè)務(wù)的信用風(fēng)險(xiǎn)問題及防范[J];科技信息;2009年09期

10 馬森;;“西電卡門事件”折射我國信用卡市場風(fēng)險(xiǎn)管理亟待加強(qiáng)[J];科技致富向?qū)?2008年24期

相關(guān)會議論文 前2條

1 洪艷蓉;;信用卡危機(jī)的法律治理與啟示——以美國《2009年信用卡問責(zé)及披露法》為例[A];金融法學(xué)家（第一輯）[C];2009年

2 郭靂;;信用卡非法套現(xiàn)的整體性規(guī)制[A];金融法學(xué)家（第三輯）[C];2011年

相關(guān)重要報(bào)紙文章 前10條

1 見驚雷;信用卡泛濫背后暗藏危機(jī)[N];海峽財(cái)經(jīng)導(dǎo)報(bào);2008年

2 本報(bào)記者 盧先兵;信用卡貸款非典型回暖[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2011年

3 記者 劉冉冉;老人辦信用卡基本無門[N];廣州日報(bào);2012年

4 謝歡;信用卡風(fēng)險(xiǎn)防范與管理[N];中國郵政報(bào);2013年

5 主持 本報(bào)記者 柳燈　王冠;股份行信用卡資產(chǎn)證券化沖動[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2013年

6 吳心怡;動態(tài)防控信用卡風(fēng)險(xiǎn)[N];中國城鄉(xiāng)金融報(bào);2014年

7 ;信用卡：透支信用？透支風(fēng)險(xiǎn)？[N];中國民航報(bào);2005年

8 劉鋒;為全行發(fā)行信用卡積累經(jīng)驗(yàn)[N];中國城鄉(xiāng)金融報(bào);2004年

9 顧海萍;謹(jǐn)防信用卡使用風(fēng)險(xiǎn)[N];解放日報(bào);2004年

10 肖林江;信用卡業(yè)務(wù)風(fēng)險(xiǎn)及防范[N];金融時(shí)報(bào);2004年

相關(guān)博士學(xué)位論文 前3條

1 王敬禮;論信用卡服務(wù)經(jīng)營者的附隨義務(wù)[D];吉林大學(xué);2015年

2 李大偉;個人信用評分與信用卡風(fēng)險(xiǎn)控制研究[D];吉林大學(xué);2006年

3 高埃仁;中國文化視角下的信用研究[D];廈門大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 萬果;信用卡用戶分類—違約預(yù)測與分析[D];蘭州大學(xué);2017年

2 高晶晶;我國商業(yè)銀行信用卡風(fēng)險(xiǎn)政府監(jiān)管研究[D];華北電力大學(xué);2015年

3 彭實(shí)鳳;基于CHAID決策樹的信用卡風(fēng)險(xiǎn)管理系統(tǒng)設(shè)計(jì)[D];復(fù)旦大學(xué);2013年

4 岳琳;QDZS銀行信用卡營銷策略研究[D];山東理工大學(xué);2015年

5 謝黎;中國民生銀行信用卡風(fēng)險(xiǎn)管理的研究[D];吉林大學(xué);2016年

6 馮楚俊;基于數(shù)據(jù)挖掘的信用卡風(fēng)險(xiǎn)管理研究[D];江西財(cái)經(jīng)大學(xué);2016年

7 俞浩明;信用卡風(fēng)險(xiǎn)管理中的政府監(jiān)管研究[D];西北農(nóng)林科技大學(xué);2016年

8 徐琬;信用卡未經(jīng)授權(quán)使用糾紛的法律研究[D];山東大學(xué);2016年

9 閆爽;我國商業(yè)銀行信用卡風(fēng)險(xiǎn)識別與控制研究[D];吉林財(cái)經(jīng)大學(xué);2016年

10 馬琳;濟(jì)南農(nóng)行信用卡網(wǎng)絡(luò)營銷差異化戰(zhàn)略研究[D];山東大學(xué);2016年

，

本文編號：1474922