基于集成LightGBM模型的信贷违约预测研究

发布时间：2024-04-03 03:45

　　伴随着居民的生活水平不断改善、消费能力不断提高,信贷方式的多样化、贷款门槛的慢慢降低,越来越多的人们开始通过贷款进行消费。人们的消费观念慢慢向贷款消费转变倾斜,这使得信贷机构面临的信用风险逐渐增大。因此对信贷机构的管理水平与风险控制均提出了更高的要求,也对信贷机构能够更准确地识别出存在潜在违约风险客户的能力有了更高的要求。对于信贷业务每年动辄数万亿资金体量而言,即使预测准确率仅仅是微小的提升,都将帮助信贷机构避免巨大的经济损失。更准确的识别出借款人的风险,不仅可以帮助信贷机构识别出风险客户和优质客户,降低违约风险。同时也有助于维护信贷市场的秩序和稳定,推动其良性发展。本文选择对信贷违约预测进行研究,基于机器学习方法,提出一种改进的违约预测模型,预测未来客户是否会产生违约行为。以期为信贷机构做出贷款审批的管理决策提供一些依据,帮助其降低客户违约风险、减少坏账率。为信贷机构制定控制信用风险相应对策、加强风险控制提供一些思路。本文提出基于Bagging算法集成LightGBM模型对信贷数据进行预测。首先,针对信贷数据数量庞大、信息复杂的特点,对数据进行预处理后,选择面对高维数据可以更快地给出...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图１－１研究技术路线图??１０??

?基于集成ＬｉｇｈｔＧＢＭ模型的信贷违约预测研究??１．５研究技术路线图??研究背景聽义??ｚｚｚｒｚ＾??文献驗????ｉｒ????概念内涵及理谂槪述??顯給数锯获取???Ｕ＇??数麵＿??数搦平衡舰??—．．．．－－Ｔ．．－??指标麵??￣￡?????４；?￣一＿：????—....

图２－２?Ｂａｇｇｉｎｇ算法流程图??

行??投票（或平均），使用投票得分最高的分类（或平均）作为最终的分类（或回归）??结果。Ｂａｇｇｉｎｇ中各个基学习器之间相互独立、没有依赖，可以把它简单地看成??并行，它把各个相互独立的基学习器的结果组织起来，参考各种情况后取一个??折中的结果。常见的Ｂａｇｇｉｎｇ算法有随机森林....

图２－３?Ｂｏｏｓｔｉｎｇ算法流程图??

串行，??它是根据旧模型中的错误来训练新模型，层层改进。常见的Ｂｏｏｓｔｍｇ算法有自??适应提升算法（ＡｄａＢｏｏｓｔ）以及梯度提升算法（Ｇｒａｄｉｅｎｔ?Ｂｏｏｓｔｉｎｇ），如ＧＢＤＴ、??ＸＧＢｏｏｓｔ、ＧＢＭ?等。??ｉ＇ｌｌ?ｉｆ－?Ｕ??原始训练集Ｄ????＞基学习器ｈ....

图２－４?Ｓｔａｃｋｉｎｇ算法流程图??

?２信贷违约预测模型及评价方法介绍???神经网络作为元模型，那么神经网络将会把三个基础模型组合起来，以三个基??础模型的预测结果作为输入，返回最终的预测结果。??

本文编号：3946666