近年來,隨著互聯(lián)網(wǎng)金融的發(fā)展,網(wǎng)絡(luò)借貸平臺在全球范圍內(nèi)迅速壯大。網(wǎng)絡(luò)借貸與傳統(tǒng)借貸有所不同,傳統(tǒng)的放貸機(jī)構(gòu)主要為銀行,在線下辦理貸款手續(xù),能夠掌握更有利于進(jìn)行風(fēng)控的信息;網(wǎng)絡(luò)借貸的特點(diǎn)是線上進(jìn)行、獲取的信息量有限、量大,傳統(tǒng)的風(fēng)控模式已經(jīng)不能夠滿足網(wǎng)絡(luò)借貸的需求。房貸系統(tǒng)為線上進(jìn)行的房屋抵押貸款系統(tǒng),主要進(jìn)行房屋抵押貸款的線上申請、用戶資質(zhì)審查、貸款審批流程。房貸系統(tǒng)資質(zhì)審查和審批流程的現(xiàn)狀包括層層的個(gè)人資質(zhì)、房屋資質(zhì)的人工審核流程,審批流程緩慢,并且消耗大量的人力資源,審批帶有極強(qiáng)的主觀性,往往審批結(jié)果還不盡人意。本文利用房貸系統(tǒng)的歷史貸款數(shù)據(jù),通過Logistic回歸、支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法,建立貸款客戶的違約預(yù)測模型,模型預(yù)測每一個(gè)用戶存在的違約可能性,借助違約預(yù)測模型的預(yù)測結(jié)果,能對貸款風(fēng)險(xiǎn)進(jìn)行有效的把控,降低公司可能存在的風(fēng)險(xiǎn)以及損失。設(shè)計(jì)決策引擎,將違約預(yù)測模型嵌入到現(xiàn)有房貸系統(tǒng),決策引擎包括5個(gè)模塊,分別為初始化模塊、數(shù)據(jù)處理模塊、模型管理模塊、預(yù)測模塊、持久化模塊,嵌入決策引擎的房貸系統(tǒng),能夠?qū)崿F(xiàn)客戶數(shù)據(jù)的采集并預(yù)測客戶違約可能性的功能,大大提高房... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

sigmoid函數(shù)的密度函數(shù)f(x)和分布函數(shù)F(x)

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)μ，或者說，是機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)這兩個(gè)學(xué)科領(lǐng)域的交叉部分神經(jīng)網(wǎng)絡(luò)中最基本的成分是神經(jīng)元模型，即上述定義中的 簡單單元μ。生物神經(jīng)網(wǎng)絡(luò)中，每個(gè)神經(jīng)元與其他神經(jīng)元相連，當(dāng)它 興奮μ時(shí)，就會向相的神經(jīng)元發(fā)出化學(xué)物質(zhì)，從而改變這些神經(jīng)元內(nèi)的電位；如果某神經(jīng)元的電超過了一個(gè) 閾值μ，那么它就會被激活，即“興奮”起來，向其他神經(jīng)元發(fā)化學(xué)物質(zhì)。x1x2x3x4 w1w2w3w4y圖 3- 3 神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)的一個(gè)簡單模型如圖 3- 3 所示，該模型一直沿用至今。如圖中示，神經(jīng)元收到來自其他神經(jīng)元輸入的信號，經(jīng)過權(quán)重分配后進(jìn)行傳遞，神元將收到的總輸入與一個(gè)固定值進(jìn)行比較，這個(gè)值稱為閾值，再經(jīng)過“激活數(shù)”的處理，隨后將結(jié)果輸出。

標(biāo)準(zhǔn)差比均值還大，顯然基于均值和標(biāo)準(zhǔn)差的方法在此并不適用。現(xiàn)觀察 借款額度μ的數(shù)據(jù)分布，以樣本編號為橫坐標(biāo)，以貸款額度為縱坐標(biāo)繪制的 借款額度μ散點(diǎn)圖如圖 4- 1 所示，圖中絕大多數(shù)數(shù)據(jù)分布在 5000000

【參考文獻(xiàn)】：
期刊論文
[1]基于Bagging策略的XGBoost算法在商品購買預(yù)測中的應(yīng)用[J]. 謝冬青,周成驥.  現(xiàn)代信息科技. 2017(06)
[2]基于Stacking集成策略的P2P網(wǎng)貸違約風(fēng)險(xiǎn)預(yù)警研究[J]. 丁嵐,駱品亮.  投資研究. 2017(04)
[3]機(jī)器學(xué)習(xí)算法在P2P網(wǎng)貸平臺風(fēng)險(xiǎn)評級中的應(yīng)用[J]. 張蜀林,李萌萌.  時(shí)代金融. 2017(03)
[4]大數(shù)據(jù)背景下網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)評估——以人人貸為例[J]. 柳向東,李鳳.  統(tǒng)計(jì)與信息論壇. 2016(05)
[5]大數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)研究進(jìn)展[J]. 黃宜華.  大數(shù)據(jù). 2015(01)
[6]P2P網(wǎng)貸平臺綜合競爭力評價(jià)研究[J]. 郭海鳳,陳霄.  金融論壇. 2015(02)
[7]數(shù)據(jù)挖掘中數(shù)據(jù)預(yù)處理的研究與實(shí)現(xiàn)[J]. 菅志剛,金旭.  計(jì)算機(jī)應(yīng)用研究. 2004(07)
[8]小樣本數(shù)據(jù)信用風(fēng)險(xiǎn)評估研究[J]. 王春峰,李汶華.  管理科學(xué)學(xué)報(bào). 2001(01)

博士論文
[1]基于大數(shù)據(jù)的個(gè)人信用風(fēng)險(xiǎn)評估模型研究[D]. 張萬軍.對外經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[2]基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的統(tǒng)計(jì)機(jī)器翻譯研究[D]. 楊南.中國科學(xué)技術(shù)大學(xué) 2014
[3]面向非均衡數(shù)據(jù)集的機(jī)器學(xué)習(xí)及在地學(xué)數(shù)據(jù)處理中的應(yīng)用[D]. 谷瓊.中國地質(zhì)大學(xué) 2009

碩士論文
[1]基于機(jī)器學(xué)習(xí)算法的信用風(fēng)險(xiǎn)預(yù)測模型研究[D]. 甘鷺.北京交通大學(xué) 2017
[2]選擇性Logistic回歸集成算法在P2P網(wǎng)貸信用評估的應(yīng)用[D]. 謝飛.暨南大學(xué) 2017
[3]基于機(jī)器學(xué)習(xí)技術(shù)的P2P風(fēng)控模型研究[D]. 王夢雪.哈爾濱工業(yè)大學(xué) 2017
[4]基于大數(shù)據(jù)的Y公司P2P網(wǎng)貸業(yè)務(wù)信用風(fēng)險(xiǎn)管理平臺的構(gòu)建[D]. 雷海峰.東華大學(xué) 2017
[5]基于XGBoost算法的上證指數(shù)預(yù)測方案設(shè)計(jì)研究[D]. 凌筱玥.上海師范大學(xué) 2017
[6]隨機(jī)森林在P2P網(wǎng)貸借款信用風(fēng)險(xiǎn)評估中的應(yīng)用[D]. 徐婷婷.山東大學(xué) 2017
[7]基于社交與消費(fèi)數(shù)據(jù)的反欺詐分析和建模[D]. 王雨迪.蘭州大學(xué) 2017
[8]基于數(shù)據(jù)挖掘的P2P網(wǎng)貸獲貸結(jié)果影響因素及放貸決策模型研究[D]. 韋高潔.上海師范大學(xué) 2017
[9]基于用戶行為數(shù)據(jù)的P2P網(wǎng)貸違約預(yù)測[D]. 王靜月.上海師范大學(xué) 2017
[10]基于語義結(jié)構(gòu)和視覺焦點(diǎn)的場景目標(biāo)識別[D]. 降小龍.中北大學(xué) 2016



本文編號：3243614