基于Xgboost和复杂网络的大学生授信额度研究

发布时间：2021-10-13 10:59

　　2016年以来,许多P2P金融平台开始开发大学生信贷消费产品,随着规模逐渐扩大,大学生信贷消费平台所面临的逾期率持续上升、坏账累积过多及资金配置不当等问题日益严峻。因此,本文着眼于平台对大学生群体的授信额度分配问题,分别对大学生用户当前信用额度的更新和新注册大学生信用额度的首次分配两方面进行研究,在传统信用评估的基础上,引入用户的消费需求评估,更科学有效地制定额度策略,提高平台整体资金的使用效率。在大学生用户现有额度的更新策略设计中,本文选取大学生用户在信贷消费平台上的互联网历史行为信息作为数据挖掘对象,首先通过机器学习中特征工程的方法提取和构建大学生用户在个人基本信息、订单及订单行为信息及APP场景行为信息等方面的特征维度,并利用集中度、IV信息值及Pearson相关系数等指标进行筛选得到最终特征子集。然后利用Xgboost算法框架,分别建立了准确性及稳定性均达预期水平的用户逾期概率预测模型和未来消费金额回归预测模型。最后结合模型预测结果评估平台当前大学生用户的信用状况和消费需求,划分用户等级,并对其现有额度制定了有效的额度更新策略。更新后,节约平台额度资金达14.18%。由于新注册... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 文献综述
        1.2.1 文献分析
        1.2.2 文献总结
    1.3 研究内容与论文结构
        1.3.1 研究内容
        1.3.2 论文结构
第2章 模型理论与算法介绍
    2.1 特征工程理论
        2.1.1 特征工程简介
        2.1.2 特征工程步骤
    2.2 Xgboost模型介绍
        2.2.1 Xgboost理论概述
        2.2.2 Xgboost参数介绍
    2.3 链路预测理论介绍
        2.3.1 复杂网络简介
        2.3.2 链路预测方法介绍
第3章 大学生的信贷行为数据预处理及特征构造
    3.1 大学生信贷行为数据说明和数据预处理
        3.1.1 数据来源与基本情况
        3.1.2 数据预处理
    3.2 大学生信贷行为信息的特征构造
        3.2.1 大学生用户基本信息
        3.2.2 大学生用户的订单及订单行为信息
        3.2.3 大学生用户APP场景行为
    3.3 特征子集筛选
        3.3.1 特征集中度分析
        3.3.2 特征关系分析
    3.4 特征集总结
第4章 大学生授信额度的更新和首次分配算法
    4.1 平台大学生用户当前信用额度更新策略设计
        4.1.1 模型训练集划分
        4.1.2 基于Xgboost分类模型的大学生逾期概率预测
        4.1.3 基于Xgboost回归模型的大学生未来消费额预测
        4.1.4 平台大学生用户的当前额度更新策略
    4.2 平台新注册大学生用户的信用额度首次分配策略设计
        4.2.1 平台当前大学生的复杂网络构建
        4.2.2 基于节点属性相似度的链路预测算法
        4.2.3 平台新注册大学生的额度分配策略
    4.3 大学生授信额度分配策略总结及结果分析
        4.3.1 平台大学生用户当前额度更新策略结果对比
        4.3.2 平台新注册大学生用户额度分配策略结果分析
第5章 总结和展望
    5.1 总结
    5.2 主要创新
    5.3 展望
参考文献
致谢


【参考文献】：
期刊论文
[1]XGBoost算法在制造业质量预测中的应用[J]. 蒋晋文,刘伟光.  智能计算机与应用. 2017(06)
[2]基于Xgboost的商业销售预测[J]. 叶倩怡,饶泓,姬名书.  南昌大学学报(理科版). 2017(03)
[3]基于共同邻居的链路预测新指标[J]. 郭婷婷,赵承业.  中国计量学院学报. 2016(01)
[4]互联网消费金融万亿级市场空间开启,校园分期市场争夺进入白热化[J].   金卡工程. 2015(10)
[5]个人信用风险评分的指标选择研究[J]. 黄秋彧,史小康.  新疆财经大学学报. 2015(03)
[6]大学生信贷消费市场前景分析[J]. 邓秀焕.  现代商业. 2015(17)
[7]大学生网络分期消费产品发展现状、原因及利弊分析[J]. 郭琳娜.  中国市场. 2015(16)
[8]我国P2P网络借贷信用风险影响因素研究——基于排序选择模型的实证分析[J]. 肖曼君,欧缘媛,李颖.  财经理论与实践. 2015(01)
[9]特征选择方法与算法的研究[J]. 李敏,卡米力·木依丁.  计算机技术与发展. 2013(12)
[10]网络借贷借款人决策辅助模型[J]. 陈冬宇,李伟军,丁婕.  吉林大学学报(信息科学版). 2012(06)

硕士论文
[1]基于用户行为数据的P2P网贷违约预测[D]. 王静月.上海师范大学 2017
[2]基于社团综合属性的链路预测算法研究[D]. 周真争.南京信息工程大学 2016
[3]基于相似性的链路预测方法及应用[D]. 郭婷婷.中国计量大学 2016
[4]基于Xgboost方法的实体零售业销售额预测研究[D]. 叶倩怡.南昌大学 2016
[5]网络借贷结合大学生分期市场业务模式分析[D]. 郭明泰.云南大学 2016
[6]关于大学生选择校园分期金融产品的影响因素的调查[D]. 李启明.西南财经大学 2016
[7]基于用户互联网行为数据的个人征信评估体系建设分析[D]. 王冠.北京交通大学 2015



本文编号：3434527