基于机器学习的P2P网贷平台违约风险预测实证研究
发布时间：2022-01-03 01:24
P2P网络借贷作为一种新型的金融服务业模式,在解决小微企业融资及个人贷款等方面比传统银行更加高效与便捷。它省去了线下私人贷款和银行贷款的一系列繁琐程序,直接提供线上交易,使用户极大地享受了虚拟世界带来的便利。这种新型的网络借贷模式受到了广泛欢迎。但是,近年来,网贷的风险已经不断积累,一系列风险事件纷纷爆发,导致大量的平台破产倒闭。这不仅严重损害了投资者的合法权益,同时也极大地危害了金融行业的安全和社会的稳定。对此,网贷平台部门也出台了相应的政策来引导行业的合规发展。而对于平台自身而言,也应该做好风险管理及预警工作。由于我国P2P网贷平台蕴藏着许多借贷违约风险,准确预测违约风险并采取相应的处理措施是当前P2P网贷平台当务之急。本文主要使用多个机器学习方法构建模型对P2P网贷用户违约率进行研究,通过对比选择出其中最适合做该行业的用户借贷违约率的风险识别模型,帮助平台提前辨别出风险隐患大的借贷者,保障平台自身及用户的利益。本文是在以往研究的基础上选取lending club网贷平台公开提供的2016年至2017年第一季度用户借贷交易原始数据,在对数据进行分析处理的基础上,分别使用Logist...
【文章来源】：安庆师范大学安徽省
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
主要内容框架
算标准化后得出了向量特征值、方差贡献率及累计方差贡献率，并依据累主成分，计算结果如下表 3.4。下图 3.1 是方差相对于主成分个数的碎石图表 3.4 方差及主成分贡献率分特征向量特征值 方差贡献率% 方差累积贡献率%1 13.026 25.051 25.0512 6.061 11.655 36.7063 5.487 10.553 47.2584 3.78 7.268 54.5275 3.065 5.894 60.4216 2.433 4.678 65.0997 2.222 4.274 69.3738 2.022 3.889 73.2619 1.933 3.717 76.9790 1.655 3.183 80.1611 1.402 2.697 82.8582 1.135 2.183 85.0413 1.016 1.953 86.994
图 4. 4 BABP 神经网络的适应变化曲线BABP 神经网络对借贷用户违约风险预测的输出值是 0-1 之间的小数，并不是1 的分类结果，为了计算 BABP 神经网络的预测准确率，本文将[0,0.5)之间的输出赋值为 0，将[0.5,1]之间的输出结果赋值为 1 对输出结果进行分类。如下 4.2 为 B神经网络测试结果，从表中可以得出 BABP 神经网络对借贷用户违约率预测分类结准确率达到 91.67%，其中未违约分类中的预测错误率最低，误差率仅为 4.22%，然约分类中预测错误率较高，达到 12.66%。对比 Logistic 回归模型得到的借贷用户违测分类结果还是比较满意的，误差率相对比较小，证明 BABP 神经网络在借贷用户风险预测分类中具有比较高的可行性。表 4. 2 BABP 神经网络测试结果违约类型预测结果预测正确数量预测错误数量预测正确率预测错误率总预测准确率未违约 876 830 37 94.75% 4.22%91.67%违约 624 545 79 87.34% 12.66%
【参考文献】：
期刊论文
[1]论P2P网络借贷平台风险管理现状的研究[J]. 黄竞莹. 现代营销(下旬刊). 2019(04)
[2]我国P2P网贷行业发展分析及监管展望[J]. 韩佳峰. 时代金融. 2018(36)
[3]基于机器学习的高层建筑火灾风险评估[J]. 任中杰,李思成,王晖晖. 消防科学与技术. 2018(11)
[4]核函数选择方法研究[J]. 王振武,何关瑶. 湖南大学学报(自然科学版). 2018(10)
[5]基于SVM的P2P网贷借款人信用风险评价研究[J]. 李迅菡,李超. 合肥工业大学学报(社会科学版). 2018(02)
[6]基于Lasso-Logistic模型的P2P网络借贷信用风险度量[J]. 邹明芮. 长春大学学报. 2018(03)
[7]基于SVMK-Means的非均衡P2P网贷平台风险预测研究[J]. 张文,崔杨波,姜祎盼. 系统科学与数学. 2018(03)
[8]基于Logistic的P2P网贷借款人信用风险评估研究[J]. 徐慧婷. 中国石油大学学报(社会科学版). 2017(06)
[9]P2P借贷中借款人的违约风险评估——基于“人人贷”数据的实证分析[J]. 阮素梅,何浩然,李敬明. 经济问题. 2017(12)
[10]基于决策树与Logistic回归的P2P网贷平台信用风险评价比较分析[J]. 余华银,雷雅慧. 长春大学学报. 2017(09)
硕士论文
[1]数据归一化方法对提升SVM训练效率的研究[D]. 汤荣志.山东师范大学 2017
[2]基于机器学习技术的P2P风控模型研究[D]. 王梦雪.哈尔滨工业大学 2017
[3]基于数据挖掘的我国P2P网络借贷违约预测模型研究[D]. 刘瑾雯.大连理工大学 2016
[4]基于RF和APSOLSSVM的两阶段信用评估研究[D]. 张碧月.西南财经大学 2016
[5]P2P网贷平台的风险控制研究[D]. 唐颖.首都经济贸易大学 2015
[6]P2P网络贷款的问题与对策研究[D]. 彭明明.广西大学 2014
[7]基于机器学习的信用风险评估技术若干研究[D]. 魏海周.北京理工大学 2011
本文编号：3565279
【文章来源】：安庆师范大学安徽省
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
主要内容框架
算标准化后得出了向量特征值、方差贡献率及累计方差贡献率，并依据累主成分，计算结果如下表 3.4。下图 3.1 是方差相对于主成分个数的碎石图表 3.4 方差及主成分贡献率分特征向量特征值 方差贡献率% 方差累积贡献率%1 13.026 25.051 25.0512 6.061 11.655 36.7063 5.487 10.553 47.2584 3.78 7.268 54.5275 3.065 5.894 60.4216 2.433 4.678 65.0997 2.222 4.274 69.3738 2.022 3.889 73.2619 1.933 3.717 76.9790 1.655 3.183 80.1611 1.402 2.697 82.8582 1.135 2.183 85.0413 1.016 1.953 86.994
图 4. 4 BABP 神经网络的适应变化曲线BABP 神经网络对借贷用户违约风险预测的输出值是 0-1 之间的小数，并不是1 的分类结果，为了计算 BABP 神经网络的预测准确率，本文将[0,0.5)之间的输出赋值为 0，将[0.5,1]之间的输出结果赋值为 1 对输出结果进行分类。如下 4.2 为 B神经网络测试结果，从表中可以得出 BABP 神经网络对借贷用户违约率预测分类结准确率达到 91.67%，其中未违约分类中的预测错误率最低，误差率仅为 4.22%，然约分类中预测错误率较高，达到 12.66%。对比 Logistic 回归模型得到的借贷用户违测分类结果还是比较满意的，误差率相对比较小，证明 BABP 神经网络在借贷用户风险预测分类中具有比较高的可行性。表 4. 2 BABP 神经网络测试结果违约类型预测结果预测正确数量预测错误数量预测正确率预测错误率总预测准确率未违约 876 830 37 94.75% 4.22%91.67%违约 624 545 79 87.34% 12.66%
【参考文献】：
期刊论文
[1]论P2P网络借贷平台风险管理现状的研究[J]. 黄竞莹. 现代营销(下旬刊). 2019(04)
[2]我国P2P网贷行业发展分析及监管展望[J]. 韩佳峰. 时代金融. 2018(36)
[3]基于机器学习的高层建筑火灾风险评估[J]. 任中杰,李思成,王晖晖. 消防科学与技术. 2018(11)
[4]核函数选择方法研究[J]. 王振武,何关瑶. 湖南大学学报(自然科学版). 2018(10)
[5]基于SVM的P2P网贷借款人信用风险评价研究[J]. 李迅菡,李超. 合肥工业大学学报(社会科学版). 2018(02)
[6]基于Lasso-Logistic模型的P2P网络借贷信用风险度量[J]. 邹明芮. 长春大学学报. 2018(03)
[7]基于SVMK-Means的非均衡P2P网贷平台风险预测研究[J]. 张文,崔杨波,姜祎盼. 系统科学与数学. 2018(03)
[8]基于Logistic的P2P网贷借款人信用风险评估研究[J]. 徐慧婷. 中国石油大学学报(社会科学版). 2017(06)
[9]P2P借贷中借款人的违约风险评估——基于“人人贷”数据的实证分析[J]. 阮素梅,何浩然,李敬明. 经济问题. 2017(12)
[10]基于决策树与Logistic回归的P2P网贷平台信用风险评价比较分析[J]. 余华银,雷雅慧. 长春大学学报. 2017(09)
硕士论文
[1]数据归一化方法对提升SVM训练效率的研究[D]. 汤荣志.山东师范大学 2017
[2]基于机器学习技术的P2P风控模型研究[D]. 王梦雪.哈尔滨工业大学 2017
[3]基于数据挖掘的我国P2P网络借贷违约预测模型研究[D]. 刘瑾雯.大连理工大学 2016
[4]基于RF和APSOLSSVM的两阶段信用评估研究[D]. 张碧月.西南财经大学 2016
[5]P2P网贷平台的风险控制研究[D]. 唐颖.首都经济贸易大学 2015
[6]P2P网络贷款的问题与对策研究[D]. 彭明明.广西大学 2014
[7]基于机器学习的信用风险评估技术若干研究[D]. 魏海周.北京理工大学 2011
本文编号：3565279
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3565279.html
