基于L1正则化Logistic回归模型的P2P网络贷款风险测度应用研究

发布时间：2020-07-17 03:34

【摘要】：P2P网络贷款是一种点对点的借款行为方式,它作为整个借贷环节的中介方,为借款方、投资方提供借贷服务,并以收取相应的费用作为盈利模式。该贷款方式创新性地把现代民间借贷业务的资本市场、互联网人工智能信息技术、金融服务项目和电子信息商务平台综合起来,通过互联网平台把汇聚在一起的小额资本以类似债券的形式借贷给有需求的人或者中小微型等企业。至2018年底,类似网络借贷功能的平台已经超过6000家,这些平台与传统正规的金融业务不同,他们容易获取大量资金和利润。由于个人信用问题、政策未及时落实等因素造成借款方未按期还款、平台中介“卷款跑路”等现象,使得该领域成为一个高风险行业。2018年我国存在异常的平台共4672家,占总平台数的比值高达77.4%。本文从引发网贷款信用风险的原因作为切入口,深度剖析其风险成因,结合实证分析,对我国提出政策性建议。由于国内P2P网贷的规模较小以及数据的完整性不高,因此本文针对目前全球规模最大的P2P网络贷款平台,美国Lending Club。研究中收集了2016年至2018年共三年的数据库,多达1340797个样本,其中有效样本为43041个。文章分为四个模块进行阐述。首先介绍了信用和风险的相关理论以及目前我国P2P网贷行业存在的问题和政府的整顿措施。其次分析了机器学习思想及其核心技术。针对所收集的数据样本,讨论和比较了不同机器学习模型的优劣,最终选择Logistic回归模型对P2P网络贷款风险测度进行研究。再次,为了寻找最优模型,文中还引入了L1、L2正则项对该模型进行优化。通过机器学习方法的研究,发现L1正则化Logistic回归的风险评估效能(AUC=0.838)显著优于传统Logistic回归(AUC=0.740)和L2正则化Logistic回归(AUC=0.791)。实际结果符合理论情况,说明Logistic回归模型对P2P网络贷款风险测度研究是可行和可靠的。最后总结了风险测度方向是P2P网贷行业稳步发展的必要条件等结论。与此同时,对未来P2P网络贷款业务提出政策建设建议,这对我国后期完善P2P网络贷款服务体系具有非常重要的参考价值。
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C81
【图文】：

思路图,章节

第一章引言方案，本章节的亮点在于降维方法、模型构建与优化方法的应用和比较，对比假设检验方法和单因素 Logistic 回归方法等不同降维方法的优劣，以及对比 L1、L2 正则化 Logistic 回归模型的优化效能。第五章对实证结果进行总结分析，及对未来 P2P 网络贷款行业提出相应的建议与展望。二、结构框架(一) 章节关系思路图

关系图,中角,关系图,风险

图 2-1 P2P 网络贷款中角色关系图P2P 网络贷款风险来源、种类和特征分析网络贷款是一种有别于传统金融类项目的新型业务，其发展尚处于因此将受到许多因素的影响，造成一定程度的风险现象。贷款业务括贷款方、借款方和 P2P 平台，在整体流程中的每个环节均会出现险节点。信用贷款风险出现在信贷市场交易活动中，它影响着信贷径，并且构成发展结果的不确定性，这种不确定性正是信用风险产。本文研究了影响 P2P 网络贷款的健康发展的主要风险因素，发现由传统业务的风险因素以及基于互联网平台本身的内在的风险因质可以将风险分为两大类，第一类为固有风险，第二类为不定风有风险

监督学习,模型构建,机器学习,三要素

图 3-1 机器学习三要素文研究的主要是监督学习，该方法最重要的特征在于模型构建过程解释变量，主要由回归分析和分类分析两大类构成。在回归分析中为连续型特征，而在分类分析中，被解释变量为离散型特征。本文络贷款风险测度模型中，将贷款者的个人身份、资产等信息作为解而将其是否违约作为被解释变量特征。在本文研究中，模型的假设ic 回归模型，模型选择的准则有平方误差(square-error)和 AUC 值，法为引入 L1 正则项，利用交叉验证技术和梯度下降法进行最优化器学习在整个最优化模型的构建中，其思想在于如何把握训练集、减少到一定程度，并从众多模型中选择出一个最优模型，即机器学程。节 Logistic 回归模型及其优化

【参考文献】