基于P2P平台的个人信用评估模型有效性研究

发布时间：2024-06-02 19:43

　　P2P网络借贷是互联网金融创新的重要形式。在目前我国监管力度加大、备案工作推进和完成的背景下,我国P2P个人借贷行业并没有一套完善的针对借款人信用评估或风险识别的体系,因此本文重点关注平台中借款人的信用评估,尤其是个人信息对其借贷信用评估产生的影响,主要采取的是美国巨头平台Lending Club的数据,通过对Lending Club平台借款人的信息进行基于多种算法的建模分析,得到不同算法在借款人信用评估上的效果以及不同的个人信息对于信用评估的有效性。针对信用评估,当前的主流方法是Logistic回归、随机森林、支持向量机等算法,而基于梯度提升方法的模型未得到足够的关注,特别是近年来在数据挖掘等领域广泛使用的LightGBM算法,作为梯度提升树算法的一种高效且快速的改进,在借贷评估领域只有极少研究,而且其效果并未与其他常用的数据挖掘算法进行比较。本文就以LightGBM这一模型为重点,探讨了多种算法的效果,比较得出了 LightGBM在效果和速度上都具有优势这一结论,希望能够为我国今后的网贷行业识别借款人风险提供模型上的建设性建议,促进P2P行业健康有序发展。本文以Lending Cl...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 P2P借贷信用评估的国内外研究历史与现状
        1.2.1 国外研究历史与现状
        1.2.2 国内研究历史与现状
        1.2.3 文献评述
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 P2P网络借贷相关理论基础
    2.1 P2P网络借贷概述
    2.2 P2P网络借贷的特点
    2.3 P2P网络借贷的发展现状
    2.4 信用风险产生的原因
    2.5 本章小结
第三章 P2P信贷评估模型基础
    3.1 借贷信用评估模型
        3.1.1 Logistic回归
        3.1.2 随机森林
        3.1.3 BP神经网络
        3.1.4 LightGBM
    3.2 分类模型评价指标
    3.3 基于模型的特征重要度理论
        3.3.1 Logistic回归的特征重要度
        3.3.2 BP神经网络的特征重要度
        3.3.3 随机森林的特征重要度
        3.3.4 LightGBM模型的特征重要度
    3.4 本章小结
第四章 P2P信贷评估实证研究
    4.1 Lending Club平台简介
    4.2 数据获取和分析
        4.2.1 探索性数据分析
        4.2.2 特征预数值化
        4.2.3 缺失值补全
        4.2.4 特征缩放
        4.2.5 数据不平衡处理
        4.2.6 递归式特征消除
        4.2.7 特征相关性分析
    4.3 模型测试与分析
        4.3.1 Logistic回归
        4.3.2 随机森林模型评估
        4.3.3 BP神经网络模型评估
        4.3.4 LightGBM模型评估
        4.3.5 模型综合评估
    4.4 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献



本文编号：3987696