互联网金融中基于GBDT的三类信用风险度量及其驱动的海萨尼转换

发布时间：2023-02-11 11:32

　　互联网金融中,贷款企业与申请者之间存在不完全信息博弈,但实践中传统的海萨尼转换需要用到的新的贷款申请者的信用类型的概率分布很难获得,本文尝试利用统计学习方法解决此问题。主要的研究工作包括如下三部分。第一,构建互联网金融企业与贷款申请者之间的不完全信息互联网贷款信用博弈(3ILCG),采用传统的海萨尼转换分析进行理论分析;并提出了采用统计学习方法预测贷款申请者的信用风险,以驱动海萨尼转换的方法。第二,采用三种统计学习方法度量贷款申请者的信用风险。首先,定义了信用风险,并采用梯度提升决策树(GBDT)模型度量之。其次,提出了耦合支持向量机(SVM)的GBDT模型(SVM-GBDT),选择SVM中的支持向量作为新的训练集,在保证数据信息的同时大大减少数据规模;并利用该模型度量了信用风险,结果表明:SVM-GBDT在保证正确率的前提下效率提升了73.72%。最后,采用eXtreme Gradient Boosting模型(XGBoost)度量信用风险,实证结果表明:该模型相比于GBDT模型,精度提升了0.0107且效率提升了44.34%。三种方法综合比较表明:在征信数据规模较大时适合采用SVM...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 互联网金融博弈研究现状
        1.2.2 不完全信息博弈研究现状
        1.2.3 互联网金融信用风险研究现状
    1.3 研究动机与思路
        1.3.1 研究动机
        1.3.2 研究思路
    1.4 论文章节安排
    1.5 文章创新点
第2章 研究基础
    2.1 数据基础
        2.1.1 数据概览
        2.1.2 数据预处理
        2.1.3 数据统计分析
        2.1.4 特征重要性排序
    2.2 模型评价指标
        2.2.1 混淆矩阵
        2.2.2 分类模型常用评价指标
        2.2.3 本文所用评价指标
    2.3 本章小结
第3章 互联网金融不完全信息博弈
    3.1 不完全信息静态博弈理论基础
    3.2 传统海萨尼转换的概述
    3.3 不完全信息互联网贷款信用博弈模型(3ILCG)
        3.3.1 不完全信息互联网贷款信用博弈(3ILCG)
        3.3.2 传统海萨尼转换分析3ILCG
    3.4 信用风险驱动的海萨尼转换的构想
    3.5 本章小结
第4章 基于GBDT模型的互联网金融信用风险度量
    4.1 互联网金融贷款申请者信用风险定义
    4.2 梯度提升决策树(GBDT)概述
    4.3 基于GBDT的互联网金融信用风险度量
        4.3.1 基于GBDT模型的信用风险度量框架
        4.3.2 划分数据集
        4.3.3 学习和检验GBDT模型
    4.4 本章小结
第5章 基于SVM-GBDT模型的信用风险度量
    5.1 支持向量机(SVM)概述
    5.2 SVM-GBDT模型思路
    5.3 基于SVM-GBDT模型的信用风险度量框架
    5.4 学习和检验SVM-GBDT模型
    5.5 本章小结
第6章 基于XGBOOST模型的信用风险度量
    6.1 EXTREME GRADIENT BOOSTING(XGBOOST)概述
    6.2 基于XGBOOST模型的信用风险度量框架
    6.3 学习和检验XGBOOST模型
    6.4 三种度量信用风险模型对比
    6.5 本章小结
第7章 信用风险驱动的海萨尼转换及其应用
    7.1 三类信用风险驱动的海萨尼转换的框架
    7.2 XGBOOST驱动的海萨尼转换在3ILCG中的应用
        7.2.1 3ILCG中的XGBoost驱动的海萨尼转换
        7.2.2 数值分析
    7.3 本章小结
第8章 总结与展望
    8.1 总结
    8.2 展望
致谢
参考文献
附录1 攻读硕士学位期间发表的论文
附录2 攻读硕士学位期间参加的科研项目



本文编号：3740307