基于集成学习的P2P网贷违约客户识别实证研究

发布时间：2022-02-23 02:27

　　随着互联网的飞速发展,传统的金融业受到冲击,这样的大环境促使了P2P网络借贷平台的诞生,用户无需通过中介机构来进行借贷,直接通过互联网实现个人对个人的实行借贷行为。P2P网络借贷平台面向对象比较广泛,要求不高,操作便捷,越来越多的人选择在P2P平台进行借贷,但是随之而来的问题也逐渐开始显现。由于信息的不对称,P2P网络借贷平台很难全面掌握用户的资料,信用评估困难重重,借贷门槛低、客户资料不全面、贷款金额少、违约情况多等现象加大了进行信用评估的难度,由于借款客户每天的交易数据量巨大,传统的信用评估方式已经不适用,建立一个更高效、更精准、更客观、更低成本的信用评估系统成为难题。本文以2019年上半年Lending Club的用户数据为研究样本,以违约客户识别算法为研究对象,研究内容主要分为五个部分,第一,交代论文的研究背景以及研究的意义,总结国内外学者在P2P借贷平台违约影响因素和违约预测模型上的研究现状,介绍论文的研究框架;第二,介绍P2P网络借贷相关研究,总结P2P网络借贷平台在中国经历的各个阶段和运营模式,归纳了P2P网络借贷的主要风险,简述分类问题及集成学习不同结合策略,并详细介绍... 

【文章来源】：安徽财经大学安徽省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 引言
    第一节 研究背景与研究意义
        一、研究背景
        二、研究意义
    第二节 国内外文献综述
        一、P2P网贷违约影响因素
        二、P2P网贷违约预测模型
    第三节 论文研究框架
        一、研究方法
        二、研究内容
        三、创新和不足
第二章 P2P网贷平台及模型理论介绍
    第一节 国内P2P网络借贷发展介绍
        一、国内发展阶段
        二、运营模式发展
        三、P2P网络借贷平台风险
    第二节 分类问题及集成学习工作原理简述
        一、分类问题简述
        二、集成学习工作原理
    第三节 集成学习算法介绍
        一、XGBoost算法
        二、随机森林算法
        三、投票分类算法
    第四节 模型评价指标
        一、查准率、查全率与F1
        二、ROC曲线与AUC值
第三章 数据统计与预处理
    第一节 数据描述性统计
        一、数据简介
        二、变量分布统计
        三、网贷违约用户画像分析
    第二节 数据预处理
        一、缺失值处理
        二、类别变量处理
        三、样本不均衡处理
    第三节 特征工程
        一、特征缩放
        二、特征选择
第四章 P2P网络贷款违约客户识别的实证分析
    第一节 基于XGBoost算法的实施及结果
        一、超参数调优
        二、特征贡献度
        三、预测结果及模型评价
    第二节 基于随机森林算法的实施及结果
        一、超参数调优
        二、特征贡献度
        三、预测结果及模型评价
    第三节 基于投票分类算法的实施及结果
        一、基学习器选择
        二、预测结果及模型评价
    第四节 实证结果分析
        一、算法性能对比
        二、特征贡献度综合分析
第五章 结论与建议
    第一节 主要结论
        一、违约影响因素分析结论
        二、机器学习算法研究结论
    第二节 对P2P网络贷款平台的建议
参考文献
附录
致谢


【参考文献】：
期刊论文
[1]我国P2P行业“出清”的教训及反思[J]. 杨米沙.  中国商论. 2020(07)
[2]英美等国在P2P监管和退出上的经验借鉴及对我国的启示[J]. 秦荣波.  时代金融. 2020(09)
[3]互联网P2P用户借贷行为实证研究——基于美国市场的启示[J]. 陈帅,王景.  电子商务. 2020(03)
[4]关于我国P2P网络借贷发展概况浅析[J]. 张健.  时代金融. 2020(03)
[5]基于Logistic回归模型的P2P借款人信用违约风险评估模型研究[J]. 陈雪莲,潘美芹.  上海管理科学. 2019(03)
[6]基于机器学习的P2P违约预测算法比较——以“人人贷”为例[J]. 李汛,龙真,付怀宇,刘品璐.  统计与管理. 2019(06)
[7]P2P网贷违约人是否具有区域性特征——来自湖南省的例证[J]. 吴楠.  经济数学. 2019(01)
[8]P2P借贷违约风险识别模型比较[J]. 安英博,程冬玲.  会计之友. 2019(02)
[9]P2P网贷借款人违约风险评估——基于决策树的研究[J]. 沈玉溪,徐浩.  经营与管理. 2018(09)
[10]P2P网络借贷借款人违约风险影响因素研究[J]. 李杰,刘露,Chao-Hsien Chu.  商业研究. 2018(09)

博士论文
[1]基于支持向量机的农户小额贷款决策评价研究[D]. 程砚秋.大连理工大学 2011

硕士论文
[1]P2P网络借贷借款人信用风险影响因素研究[D]. 李妍.武汉大学 2019
[2]基于遗传算法的P2P网贷违约预警模型研究[D]. 丁越.浙江大学 2019
[3]P2P网络借贷借款人信用风险评估研究[D]. 戴一成.江苏大学 2019
[4]基于遗传XGBoost模型的个人网贷信用评估研究[D]. 周庆岸.江西财经大学 2019
[5]P2P借款人信用风险防控研究[D]. 刘欣.河北金融学院 2019
[6]基于机器学习的P2P网贷平台违约风险预测实证研究[D]. 胡芳琴.安庆师范大学 2019
[7]P2P网络借贷平台借款人违约因素研究[D]. 王文涵.山西财经大学 2019
[8]P2P借贷的网络特征及其对违约风险的影响研究[D]. 巴巨磊.电子科技大学 2019
[9]基于模糊聚类的P2P网贷平台借款人信用评估研究[D]. 王海峰.西北农林科技大学 2019
[10]基于生存分析法的P2P网络借贷借款人违约风险评估研究[D]. 刘琼.武汉科技大学 2019



本文编号：3640683