基于机器学习的房贷决策引擎的设计与实现
发布时间：2021-06-22 22:10
近年来,随着互联网金融的发展,网络借贷平台在全球范围内迅速壮大。网络借贷与传统借贷有所不同,传统的放贷机构主要为银行,在线下办理贷款手续,能够掌握更有利于进行风控的信息;网络借贷的特点是线上进行、获取的信息量有限、量大,传统的风控模式已经不能够满足网络借贷的需求。房贷系统为线上进行的房屋抵押贷款系统,主要进行房屋抵押贷款的线上申请、用户资质审查、贷款审批流程。房贷系统资质审查和审批流程的现状包括层层的个人资质、房屋资质的人工审核流程,审批流程缓慢,并且消耗大量的人力资源,审批带有极强的主观性,往往审批结果还不尽人意。本文利用房贷系统的历史贷款数据,通过Logistic回归、支持向量机、随机森林、神经网络等机器学习算法,建立贷款客户的违约预测模型,模型预测每一个用户存在的违约可能性,借助违约预测模型的预测结果,能对贷款风险进行有效的把控,降低公司可能存在的风险以及损失。设计决策引擎,将违约预测模型嵌入到现有房贷系统,决策引擎包括5个模块,分别为初始化模块、数据处理模块、模型管理模块、预测模块、持久化模块,嵌入决策引擎的房贷系统,能够实现客户数据的采集并预测客户违约可能性的功能,大大提高房...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
sigmoid函数的密度函数f(x)和分布函数F(x)
神经网络学习μ，或者说，是机器学习与神经网络这两个学科领域的交叉部分神经网络中最基本的成分是神经元模型，即上述定义中的 简单单元μ。生物神经网络中，每个神经元与其他神经元相连，当它 兴奋μ时，就会向相的神经元发出化学物质，从而改变这些神经元内的电位；如果某神经元的电超过了一个 阈值μ，那么它就会被激活，即“兴奋”起来，向其他神经元发化学物质。x1x2x3x4 w1w2w3w4y图 3- 3 神经元模型神经网络的一个简单模型如图 3- 3 所示，该模型一直沿用至今。如图中示，神经元收到来自其他神经元输入的信号，经过权重分配后进行传递，神元将收到的总输入与一个固定值进行比较，这个值称为阈值，再经过“激活数”的处理，随后将结果输出。
标准差比均值还大，显然基于均值和标准差的方法在此并不适用。现观察 借款额度μ的数据分布，以样本编号为横坐标，以贷款额度为纵坐标绘制的 借款额度μ散点图如图 4- 1 所示，图中绝大多数数据分布在 5000000
【参考文献】：
期刊论文
[1]基于Bagging策略的XGBoost算法在商品购买预测中的应用[J]. 谢冬青,周成骥. 现代信息科技. 2017(06)
[2]基于Stacking集成策略的P2P网贷违约风险预警研究[J]. 丁岚,骆品亮. 投资研究. 2017(04)
[3]机器学习算法在P2P网贷平台风险评级中的应用[J]. 张蜀林,李萌萌. 时代金融. 2017(03)
[4]大数据背景下网络借贷的信用风险评估——以人人贷为例[J]. 柳向东,李凤. 统计与信息论坛. 2016(05)
[5]大数据机器学习系统研究进展[J]. 黄宜华. 大数据. 2015(01)
[6]P2P网贷平台综合竞争力评价研究[J]. 郭海凤,陈霄. 金融论坛. 2015(02)
[7]数据挖掘中数据预处理的研究与实现[J]. 菅志刚,金旭. 计算机应用研究. 2004(07)
[8]小样本数据信用风险评估研究[J]. 王春峰,李汶华. 管理科学学报. 2001(01)
博士论文
[1]基于大数据的个人信用风险评估模型研究[D]. 张万军.对外经济贸易大学 2016
[2]基于神经网络学习的统计机器翻译研究[D]. 杨南.中国科学技术大学 2014
[3]面向非均衡数据集的机器学习及在地学数据处理中的应用[D]. 谷琼.中国地质大学 2009
硕士论文
[1]基于机器学习算法的信用风险预测模型研究[D]. 甘鹭.北京交通大学 2017
[2]选择性Logistic回归集成算法在P2P网贷信用评估的应用[D]. 谢飞.暨南大学 2017
[3]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
[4]基于大数据的Y公司P2P网贷业务信用风险管理平台的构建[D]. 雷海峰.东华大学 2017
[5]基于XGBoost算法的上证指数预测方案设计研究[D]. 凌筱玥.上海师范大学 2017
[6]随机森林在P2P网贷借款信用风险评估中的应用[D]. 徐婷婷.山东大学 2017
[7]基于社交与消费数据的反欺诈分析和建模[D]. 王雨迪.兰州大学 2017
[8]基于数据挖掘的P2P网贷获贷结果影响因素及放贷决策模型研究[D]. 韦高洁.上海师范大学 2017
[9]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
[10]基于语义结构和视觉焦点的场景目标识别[D]. 降小龙.中北大学 2016
本文编号：3243614
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
sigmoid函数的密度函数f(x)和分布函数F(x)
神经网络学习μ，或者说，是机器学习与神经网络这两个学科领域的交叉部分神经网络中最基本的成分是神经元模型，即上述定义中的 简单单元μ。生物神经网络中，每个神经元与其他神经元相连，当它 兴奋μ时，就会向相的神经元发出化学物质，从而改变这些神经元内的电位；如果某神经元的电超过了一个 阈值μ，那么它就会被激活，即“兴奋”起来，向其他神经元发化学物质。x1x2x3x4 w1w2w3w4y图 3- 3 神经元模型神经网络的一个简单模型如图 3- 3 所示，该模型一直沿用至今。如图中示，神经元收到来自其他神经元输入的信号，经过权重分配后进行传递，神元将收到的总输入与一个固定值进行比较，这个值称为阈值，再经过“激活数”的处理，随后将结果输出。
标准差比均值还大，显然基于均值和标准差的方法在此并不适用。现观察 借款额度μ的数据分布，以样本编号为横坐标，以贷款额度为纵坐标绘制的 借款额度μ散点图如图 4- 1 所示，图中绝大多数数据分布在 5000000
【参考文献】：
期刊论文
[1]基于Bagging策略的XGBoost算法在商品购买预测中的应用[J]. 谢冬青,周成骥. 现代信息科技. 2017(06)
[2]基于Stacking集成策略的P2P网贷违约风险预警研究[J]. 丁岚,骆品亮. 投资研究. 2017(04)
[3]机器学习算法在P2P网贷平台风险评级中的应用[J]. 张蜀林,李萌萌. 时代金融. 2017(03)
[4]大数据背景下网络借贷的信用风险评估——以人人贷为例[J]. 柳向东,李凤. 统计与信息论坛. 2016(05)
[5]大数据机器学习系统研究进展[J]. 黄宜华. 大数据. 2015(01)
[6]P2P网贷平台综合竞争力评价研究[J]. 郭海凤,陈霄. 金融论坛. 2015(02)
[7]数据挖掘中数据预处理的研究与实现[J]. 菅志刚,金旭. 计算机应用研究. 2004(07)
[8]小样本数据信用风险评估研究[J]. 王春峰,李汶华. 管理科学学报. 2001(01)
博士论文
[1]基于大数据的个人信用风险评估模型研究[D]. 张万军.对外经济贸易大学 2016
[2]基于神经网络学习的统计机器翻译研究[D]. 杨南.中国科学技术大学 2014
[3]面向非均衡数据集的机器学习及在地学数据处理中的应用[D]. 谷琼.中国地质大学 2009
硕士论文
[1]基于机器学习算法的信用风险预测模型研究[D]. 甘鹭.北京交通大学 2017
[2]选择性Logistic回归集成算法在P2P网贷信用评估的应用[D]. 谢飞.暨南大学 2017
[3]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
[4]基于大数据的Y公司P2P网贷业务信用风险管理平台的构建[D]. 雷海峰.东华大学 2017
[5]基于XGBoost算法的上证指数预测方案设计研究[D]. 凌筱玥.上海师范大学 2017
[6]随机森林在P2P网贷借款信用风险评估中的应用[D]. 徐婷婷.山东大学 2017
[7]基于社交与消费数据的反欺诈分析和建模[D]. 王雨迪.兰州大学 2017
[8]基于数据挖掘的P2P网贷获贷结果影响因素及放贷决策模型研究[D]. 韦高洁.上海师范大学 2017
[9]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
[10]基于语义结构和视觉焦点的场景目标识别[D]. 降小龙.中北大学 2016
本文编号：3243614
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3243614.html
