P2P網(wǎng)絡(luò)借貸出現(xiàn)于21世紀(jì)初,是在金融行業(yè)和互聯(lián)網(wǎng)技術(shù)逐漸成熟的社會背景下發(fā)展而來的。它是民間普惠金融和互聯(lián)網(wǎng)金融的重要組成部分,是小額信貸領(lǐng)域的一種延續(xù)和創(chuàng)新,對傳統(tǒng)信貸業(yè)務(wù)結(jié)構(gòu)構(gòu)成了補(bǔ)充,自出現(xiàn)以來在全球范圍內(nèi)迅速發(fā)展。然而我國的P2P網(wǎng)絡(luò)借貸起步較晚,信用體系的不完善加之相關(guān)法律法規(guī)的缺失使得該行業(yè)存在嚴(yán)重的資金安全隱患。隨著大數(shù)據(jù)時代的到來,從海量數(shù)據(jù)中提取有用信息,構(gòu)建有效、可靠的信用風(fēng)險(xiǎn)評估模型對違約情況實(shí)現(xiàn)準(zhǔn)確預(yù)測,提高P2P平臺及投資者的風(fēng)險(xiǎn)監(jiān)控和識別能力,這對促進(jìn)該行業(yè)的健康、穩(wěn)定發(fā)展具有重要的現(xiàn)實(shí)意義。雖然在P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)評估方面已有較多的研究成果,但大多數(shù)研究都是針對單一模型,并且隨著不斷地改良,單一模型性能提升的空間已經(jīng)非常有限。近年來,組合模型因具有更優(yōu)異的預(yù)測效果而備受推崇,但這方面的相關(guān)研究還較少。于是,本文分別采用傳統(tǒng)的統(tǒng)計(jì)學(xué)方法Logistic回歸和新興的機(jī)器學(xué)習(xí)中隨機(jī)森林的方法建立了單一模型,并嘗試將單一模型進(jìn)行組合,本文所用的方法和得出的模型完善了這方面的研究。本文選用美國的Lending Club這一 P2P平臺的借貸數(shù)據(jù)作為實(shí)證數(shù)據(jù)集... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【圖文】：

圖２＿２行業(yè)成交量變化趨勢??９??

，所以可以有效??避免過擬合。??調(diào)練樣本集??／??／?ｂｏｏｔｓｔｒａｐ?抽樣?Ｚ??????１?????—ｉＺＺ?—［“?口：１．——?；?；??ｆ?淵練集２?ＩＩ?調(diào)練集ｋ??Ｓ?公?為?Ｓｂ??＿＾?決策樹！?決策樹２?決策數(shù)Ｊｃ??１?１?＂ｊ??決策樹１分炎１?決策樹２分類＇?決策樹ｋ分類??成囤歸結(jié)果?成罔歸結(jié)果?￣?或回掃結(jié)果??＼：＾?一，一??／￣ｓａ＊５ａ？５ｉ？?７??／?結(jié)＊或？灼結(jié)果?丨！??圖３－１隨機(jī)森林的構(gòu)建過程??隨機(jī)森林模型利用Ｂｏｏｔｓｔｒａｐ法抽取樣本時，原始數(shù)據(jù)中約有３６．８％的樣本??不會出現(xiàn)在Ｂｏｏｔｓｔｒａｐ樣本中，這些數(shù)據(jù)成為袋外數(shù)據(jù)，可用來估計(jì)模型的泛化??誤差。每棵決策樹都有一個ＯＯＢ誤差估計(jì)，取森林中所有決策樹ＯＯＢ估計(jì)的??平均值就是隨機(jī)森林的泛化誤差估計(jì)。Ｂｒｅｉｍａｎ證明，ＯＯＢ估計(jì)是無偏估計(jì)，與??交叉驗(yàn)證相比，ＯＯＢ估計(jì)不僅高效，且兩者非常接近。??３．６模型評價(jià)??本文選用由混淆矩陣得出的相關(guān)指標(biāo)以及ＲＯＣ曲線、ＫＳ曲線對模型進(jìn)行??評價(jià)，首先引入混淆矩陣的概念。??３．６．１混淆矩陣??以二分類模型為例，表３－２的混淆矩陣呈現(xiàn)了分類結(jié)果。ＴＰ（Ｔｍｅ?Ｐｏｓｉｔｉｖｅ）??稱為真正例數(shù)，是實(shí)際類別為１，預(yù)測類別也為１的樣本數(shù)；ＴＮ（Ｔｒｕｅ?Ｎｅｇａｔｉｖｅ）??稱為真負(fù)例數(shù)，是實(shí)際類別為０，預(yù)測類別也為０的樣本數(shù)；ＦＮ（Ｆａｌｓｅ?Ｎｅｇａｔｉｖｅ）??稱為假負(fù)例數(shù)，是實(shí)際類別為１，預(yù)測類別為０的樣本數(shù)；ＦＰ（ＦａＩｓｅ?Ｐｏｓｉｔｉｖｅ）稱??為假正例數(shù)，是實(shí)際類別為０，預(yù)測類別

ｂａＬｇｔ？０?０．１５６?０．２３７?－０．３７９?－０．１３１?０．１００?０．１４５?０．１６３??ｐｅｒｃｅｎｔｊｃ＿ｇｔ＿７５?－０．１３７?０．３１５?０．１３２?－０．２６５?－０．１１２?－０．１６３??ｔｏｔ＿ＨＬｃｒｅｄ＿ｌｉｍ?０．２８６?０．１６７?０．２８４?－０．１８４?０．１４７?０．１０３??ｔｏｔａｌｊｊｃｊｉｎｉｔ?０．３４２?－０．１５４?０．１５５?－０．１２３?－０．１８１?－０．１７７?－０．３０９?－０．１４７??圖４－３?Ｃｏｍｐ．卜Ｃｏｍｐ．?１１的意義??對這１１個主成分加上４．１．５中的５個虛擬變量ｇｒａｄｅｌ、ｇｒａｄｅ２、ｈｏｍｅｌ、??ｈｏｍｅ２、ｔｅｒｍ進(jìn)行基于逐步回歸的邏輯回歸，模型并未進(jìn)一步剔除變量，且除??Ｃｏｍｐ．８外，其余變量均在１％的顯著性水平下顯著。回歸結(jié)果如圖４－４：??ｃｏｅｆｆｉｃｉｅｎｔｓ：??Ｅｓｔｉｍａｔｅ?ｓｔｄ．?Ｅｒｒｏｒ?ｚ?ｖａｌｕｅ?Ｐｒ（＞｜ｚ｜）??（ｉｎｔｅｒｃｅｐｔ）?－０．１３５５３４?０．０４８５９５?－２．７８９?０．００５２９?＊＊??ｔｅｒｍ?０．３８４０４２?０．０３３６００?１１．４３０?＜?２ｅ－１６?＊＊＊??ｈｏｍｅｌ?－０．１４５７６１?０．０４８６３９?－２．９９７?０．００２７３?＊＊??ｈｏｍｅ２?０．１３９７２１?０．０４５９９７?３．０３８?０．００２３８?＊＊??ｇｒａｄｅｌ?－０．３０７７２８?０．０４４８１０?－６．８６７?６．５４ｅ－１２?＊＊＊??ｇ「ａｄｅ２?０．２９８４３４?０．０３７８１５?７．８９２?２．９７ｅ－１５?＊＊＊??Ｃｏｍ

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)模型的P2P網(wǎng)貸平臺風(fēng)險(xiǎn)預(yù)警研究[J]. 嚴(yán)武,馮凌秉,蔣志慧,孔雯.  金融與經(jīng)濟(jì). 2019(09)
[2]基于偏最小二乘回歸的P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險(xiǎn)評估探究[J]. 陳為民,龍小凡,楊密,袁旭宏.  湖南人文科技學(xué)院學(xué)報(bào). 2019(05)
[3]P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險(xiǎn)識別研究[J]. 仝凌云,曹澤陽,安利平,梁強(qiáng)強(qiáng).  金融理論與實(shí)踐. 2019(10)
[4]互聯(lián)網(wǎng)金融P2P貸款違約風(fēng)險(xiǎn)評估、貸款期限和風(fēng)險(xiǎn)溢價(jià)[J]. 王浩名,馬樹才.  財(cái)經(jīng)論叢. 2019(07)
[5]基于機(jī)器學(xué)習(xí)的P2P違約預(yù)測算法比較——以“人人貸”為例[J]. 李汛,龍真,付懷宇,劉品璐.  統(tǒng)計(jì)與管理. 2019(06)
[6]基于多分類器動態(tài)集成的P2P違約風(fēng)險(xiǎn)評估[J]. 胡忠義,王超群,陳遠(yuǎn),吳江,鮑玉昆.  管理學(xué)報(bào). 2019(06)
[7]文本信息在P2P借貸平臺違約評價(jià)中的作用——基于Multinomial Lasso-logistic模型[J]. 宓超,劉佳佳.  數(shù)學(xué)的實(shí)踐與認(rèn)識. 2019(05)
[8]基于非均衡模糊近似支持向量機(jī)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評估及應(yīng)用[J]. 張衛(wèi)國,盧媛媛,劉勇軍.  系統(tǒng)工程理論與實(shí)踐. 2018(10)
[9]基于SVM-Logistic組合模型的P2P借款者信用風(fēng)險(xiǎn)評估——以微貸網(wǎng)為例[J]. 都紅雯,盧孝偉.  生產(chǎn)力研究. 2018(10)
[10]基于LightGBM算法的P2P項(xiàng)目信用評級模型的設(shè)計(jì)及應(yīng)用[J]. 馬曉君,沙靖嵐,牛雪琪.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2018(05)

碩士論文
[1]基于多個分類模型的P2P借款人信貸風(fēng)險(xiǎn)評估研究[D]. 王敏佳.浙江工商大學(xué) 2018
[2]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



本文編號：3023722