發(fā)布時(shí)間：2024-06-02 19:43

　　P2P網(wǎng)絡(luò)借貸是互聯(lián)網(wǎng)金融創(chuàng)新的重要形式。在目前我國(guó)監(jiān)管力度加大、備案工作推進(jìn)和完成的背景下,我國(guó)P2P個(gè)人借貸行業(yè)并沒有一套完善的針對(duì)借款人信用評(píng)估或風(fēng)險(xiǎn)識(shí)別的體系,因此本文重點(diǎn)關(guān)注平臺(tái)中借款人的信用評(píng)估,尤其是個(gè)人信息對(duì)其借貸信用評(píng)估產(chǎn)生的影響,主要采取的是美國(guó)巨頭平臺(tái)Lending Club的數(shù)據(jù),通過(guò)對(duì)Lending Club平臺(tái)借款人的信息進(jìn)行基于多種算法的建模分析,得到不同算法在借款人信用評(píng)估上的效果以及不同的個(gè)人信息對(duì)于信用評(píng)估的有效性。針對(duì)信用評(píng)估,當(dāng)前的主流方法是Logistic回歸、隨機(jī)森林、支持向量機(jī)等算法,而基于梯度提升方法的模型未得到足夠的關(guān)注,特別是近年來(lái)在數(shù)據(jù)挖掘等領(lǐng)域廣泛使用的LightGBM算法,作為梯度提升樹算法的一種高效且快速的改進(jìn),在借貸評(píng)估領(lǐng)域只有極少研究,而且其效果并未與其他常用的數(shù)據(jù)挖掘算法進(jìn)行比較。本文就以LightGBM這一模型為重點(diǎn),探討了多種算法的效果,比較得出了 LightGBM在效果和速度上都具有優(yōu)勢(shì)這一結(jié)論,希望能夠?yàn)槲覈?guó)今后的網(wǎng)貸行業(yè)識(shí)別借款人風(fēng)險(xiǎn)提供模型上的建設(shè)性建議,促進(jìn)P2P行業(yè)健康有序發(fā)展。本文以Lending Cl...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 P2P借貸信用評(píng)估的國(guó)內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 國(guó)外研究歷史與現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究歷史與現(xiàn)狀
        1.2.3 文獻(xiàn)評(píng)述
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 P2P網(wǎng)絡(luò)借貸相關(guān)理論基礎(chǔ)
    2.1 P2P網(wǎng)絡(luò)借貸概述
    2.2 P2P網(wǎng)絡(luò)借貸的特點(diǎn)
    2.3 P2P網(wǎng)絡(luò)借貸的發(fā)展現(xiàn)狀
    2.4 信用風(fēng)險(xiǎn)產(chǎn)生的原因
    2.5 本章小結(jié)
第三章 P2P信貸評(píng)估模型基礎(chǔ)
    3.1 借貸信用評(píng)估模型
        3.1.1 Logistic回歸
        3.1.2 隨機(jī)森林
        3.1.3 BP神經(jīng)網(wǎng)絡(luò)
        3.1.4 LightGBM
    3.2 分類模型評(píng)價(jià)指標(biāo)
    3.3 基于模型的特征重要度理論
        3.3.1 Logistic回歸的特征重要度
        3.3.2 BP神經(jīng)網(wǎng)絡(luò)的特征重要度
        3.3.3 隨機(jī)森林的特征重要度
        3.3.4 LightGBM模型的特征重要度
    3.4 本章小結(jié)
第四章 P2P信貸評(píng)估實(shí)證研究
    4.1 Lending Club平臺(tái)簡(jiǎn)介
    4.2 數(shù)據(jù)獲取和分析
        4.2.1 探索性數(shù)據(jù)分析
        4.2.2 特征預(yù)數(shù)值化
        4.2.3 缺失值補(bǔ)全
        4.2.4 特征縮放
        4.2.5 數(shù)據(jù)不平衡處理
        4.2.6 遞歸式特征消除
        4.2.7 特征相關(guān)性分析
    4.3 模型測(cè)試與分析
        4.3.1 Logistic回歸
        4.3.2 隨機(jī)森林模型評(píng)估
        4.3.3 BP神經(jīng)網(wǎng)絡(luò)模型評(píng)估
        4.3.4 LightGBM模型評(píng)估
        4.3.5 模型綜合評(píng)估
    4.4 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)



本文編號(hào)：3987696