新金融机构非现场监测平台的设计与实现

发布时间：2020-12-25 13:31

　　2013年以来,国内传统金融行业互联网化,新金融的创新和机构数量(尤其是互联网金融机构)在短期内发展迅猛。由于行业准入门槛尚不明确,日常监测手段较为缺乏,造成各类新金融机构鱼龙混杂、行业风险没有得到有效监管,近年来平台跑路事件数量呈上升态势,给金融创新本身以及社会经济秩序的稳定发展带来负面影响。为了帮助政府相关职能部门更有效的监管新金融机构,促进新金融机构健康有序的发展,本文设计开发新金融机构非现场监测平台。目前政府相关职能部门行政管理还处于事后处理的阶段,无法应对新金融机构平台跑路等事件造成的恶劣影响,亟需切实有效的事前、事中预警机制,防患于未然。为了解决这一难题,新金融机构非现场监测平台调研了全国4434家新金融机构数据,并基于这些数据开发了一套企业风险预警评分体系。该评分通过对多维度大数据特征的规律性研究,建立起科学的统计分析模型,并在完备的模型开发方法论框架下严格开展校验,使得评分结果更科学有效的反映当前国内新金融机构的风险特征和风险水平。企业风险预警评分用于预测新金融机构是否存在风险状况的可能性(如提现困难、无法正常经营、跑路等),也适用于对新金融机构的风险状况进行迅速判断,... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

社会信用体系基本功能Figure1-1Basicfunctionsofsocialcreditsystem2003年底，国家正式启动体系建设，并且用“社会信用体系”一词代替了原来的“国

新金融机构非提出的。GBDT 是一种基于决策树的分类回归度提升（GradientBoosting）和决策树（Decisio决策树方法、提升方法和梯度提升决策树方法有两种用法，一种用于分类，另外一种用于回，都是由 Quinlan 分别在上世纪八十年代和九明分类决策树的工作流程。具体如图 2-1 所示

“强可学习”和“弱可学习”的概率被数学界两者之间是可以被相互转换的[25]。这个发现意义重比较容易获得。提升方法的本质就是迭代弱学习算些弱分类器组合成为一个强分类器。常见的提升方算法通过提高上次被错误分类样本的权值来改变训练减少分类误差率大的分类器的权值，以减少其在组策树方法，Freidman 提出了梯度提升(GradientBoosting)算法似方法，先得到模型损失函数负梯度的值，然后将值，从而拟合一个回归树。GBDT 顾名思义是梯度一轮决策树分类的错误结果是本次 GBDT 决策树的 所示。

【参考文献】：
期刊论文
[1]基于大数据的企业征信服务[J]. 洪伟权.  通信企业管理. 2017(09)
[2]个人征信业:互联网金融最后一片蓝海[J]. 黄云.  现代商业银行. 2017(13)
[3]人民银行在地方社会信用体系建设中的定位与作用探析[J]. 唐琦.  征信. 2017(01)
[4]大数据时代下的企业信用体系建设方案[J]. 贾男,刘国顺.  经济纵横. 2017(02)
[5]大数据背景下的小微企业信用评级研究[J]. 丁振辉.  征信. 2014(11)
[6]浅谈软件测试[J]. 周秀枝.  电脑知识与技术. 2014(02)
[7]基于熵权的模糊综合评价法在中小企业信用评级中的应用[J]. 唐志.  时代金融. 2012(12)
[8]VaR和Z′评分模型在农企信用担保风险管理中的应用[J]. 吴庆田.  财经理论与实践. 2012(02)
[9]基于AHP的中小企业信用评级指标体系构建[J]. 孙文,王冀宁.  财会通讯. 2012(07)

博士论文
[1]我国商业银行中小企业 信用风险管理研究[D]. 徐志春.华中科技大学 2012

硕士论文
[1]企业信用风险管理体系研究[D]. 何平.吉林大学 2004



本文编号：2937748