数据驱动的消费金融违约风险预测方法研究
发布时间：2023-03-14 19:55
消费是最终需求,促进消费对释放内需潜力、推动经济转型升级、保障和改善民生具有重要意义。基于此,商业银行、消费金融公司以及互联网金融企业在开展传统个人金融业务的同时,积极拓展信用卡、消费信贷和P2P借贷等多样化消费金融业务,助力推动消费市场不断扩大、消费结构持续优化。近年来,随着“互联网+”战略的深入发展,海量金融数据爆发式增长,使得信用数据呈现复杂性、多样性、异构性等特点,传统的金融数据分析方法多是采用模型驱动的策略,无法有效应对个人违约风险预测问题,导致信用违约事件频发,各类金融机构均承受着违约风险。鉴于此,亟需通过引入最新的机器学习算法,完善个人违约风险预警机制,促进消费金融市场健康、可持续发展,这对于丰富和完善消费金融信用风险管理体系具有重要的理论意义和实践价值。本文在对现有消费金融与违约风险的理论方法进行总结的基础上,凝练了消费信用数据所存在的非均衡样本、小数据以及高维特征等问题,系统研究了多场景下数据驱动的消费金融违约风险预测方法,充分运用深度学习算法,构建了基于异质集成学习、特征迁移学习以及集成深度学习的消费金融违约风险预测方法,通过实验对比分析验证了所提方法的准确性,最终...
【文章页数】：137 页
【学位级别】：博士
【文章目录】：
致谢
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究目标和思路
1.2.1 研究目标
1.2.2 研究思路
1.3 研究内容和结构
1.3.1 研究内容
1.3.2 结构安排
第二章 相关理论基础与文献综述
2.1 相关理论基础
2.1.1 消费金融的内涵与特征
2.1.2 违约风险的内涵与特征
2.2 违约风险预测方法的相关文献综述
2.2.1 基于统计学的违约风险预测方法
2.2.2 基于集成学习的违约风险预测方法
2.2.3 基于深度学习的违约风险预测方法
2.3 本章小结
第三章 基于异质集成学习的信用卡违约风险预测
3.1 问题描述
3.2 基于异质集成学习的信用卡违约风险预测方法
3.2.1 考虑类别非均衡的异质集成学习框架
3.2.2 违约风险预测分类器构建
3.2.3 违约风险预测分类器训练
3.2.4 违约风险预测分类器集成
3.3 基于非均衡样本的信用卡违约风险预测方法
3.3.1 基于非均衡样本的渐进式异质集成学习框架
3.3.2 基于非均衡样本的信用卡违约风险预测分类器
3.3.3 基于非均衡样本的违约风险预测分类器集成
3.4 实例研究
3.4.1 信用卡信用数据描述
3.4.2 数据预处理与特征工程
3.4.3 预测结果与分析
3.5 本章小结
第四章 基于特征迁移学习的消费信贷违约风险预测
4.1 问题描述
4.2 基于特征迁移学习的消费信贷违约风险预测方法
4.2.1 面向特征的消费信贷违约风险预测迁移学习框架
4.2.2 违约风险预测分类器构建
4.2.3 违约风险预测分类器训练
4.2.4 违约风险预测分类器集成
4.3 基于小数据的消费信贷违约风险预测方法
4.3.1 基于小数据的特征迁移学习框架
4.3.2 面向特征和样本的信用数据迁移
4.3.3 基于小数据的消费信贷违约风险预测分类器
4.3.4 基于小数据的违约风险预测分类器集成
4.4 实例研究
4.4.1 消费信贷信用数据描述
4.4.2 数据预处理与特征工程
4.4.3 预测结果与分析
4.5 本章小结
第五章 基于集成深度学习的P2P借贷违约风险预测
5.1 问题描述
5.2 基于深度学习的P2P借贷违约风险预测方法
5.2.1 考虑维数灾难的深度学习框架
5.2.2 违约风险预测分类器构建
5.2.3 违约风险预测分类器训练
5.3 面向高维特征的P2P借贷违约风险预测方法
5.3.1 面向高维特征的集成深度学习框架
5.3.2 基于Bagging策略的数据抽样
5.3.3 面向高维特征的P2P借贷违约风险预测分类器
5.3.4 面向高维特征的违约风险预测分类器训练
5.3.5 面向高维特征的违约风险预测分类器集成
5.4 实例研究
5.4.1 P2P借贷信用数据描述
5.4.2 数据预处理与特征工程
5.4.3 预测结果与分析
5.5 本章小结
第六章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
读博士学位期间的学术活动及成果情况
本文编号：3762645
【文章页数】：137 页
【学位级别】：博士
【文章目录】：
致谢
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究目标和思路
1.2.1 研究目标
1.2.2 研究思路
1.3 研究内容和结构
1.3.1 研究内容
1.3.2 结构安排
第二章 相关理论基础与文献综述
2.1 相关理论基础
2.1.1 消费金融的内涵与特征
2.1.2 违约风险的内涵与特征
2.2 违约风险预测方法的相关文献综述
2.2.1 基于统计学的违约风险预测方法
2.2.2 基于集成学习的违约风险预测方法
2.2.3 基于深度学习的违约风险预测方法
2.3 本章小结
第三章 基于异质集成学习的信用卡违约风险预测
3.1 问题描述
3.2 基于异质集成学习的信用卡违约风险预测方法
3.2.1 考虑类别非均衡的异质集成学习框架
3.2.2 违约风险预测分类器构建
3.2.3 违约风险预测分类器训练
3.2.4 违约风险预测分类器集成
3.3 基于非均衡样本的信用卡违约风险预测方法
3.3.1 基于非均衡样本的渐进式异质集成学习框架
3.3.2 基于非均衡样本的信用卡违约风险预测分类器
3.3.3 基于非均衡样本的违约风险预测分类器集成
3.4 实例研究
3.4.1 信用卡信用数据描述
3.4.2 数据预处理与特征工程
3.4.3 预测结果与分析
3.5 本章小结
第四章 基于特征迁移学习的消费信贷违约风险预测
4.1 问题描述
4.2 基于特征迁移学习的消费信贷违约风险预测方法
4.2.1 面向特征的消费信贷违约风险预测迁移学习框架
4.2.2 违约风险预测分类器构建
4.2.3 违约风险预测分类器训练
4.2.4 违约风险预测分类器集成
4.3 基于小数据的消费信贷违约风险预测方法
4.3.1 基于小数据的特征迁移学习框架
4.3.2 面向特征和样本的信用数据迁移
4.3.3 基于小数据的消费信贷违约风险预测分类器
4.3.4 基于小数据的违约风险预测分类器集成
4.4 实例研究
4.4.1 消费信贷信用数据描述
4.4.2 数据预处理与特征工程
4.4.3 预测结果与分析
4.5 本章小结
第五章 基于集成深度学习的P2P借贷违约风险预测
5.1 问题描述
5.2 基于深度学习的P2P借贷违约风险预测方法
5.2.1 考虑维数灾难的深度学习框架
5.2.2 违约风险预测分类器构建
5.2.3 违约风险预测分类器训练
5.3 面向高维特征的P2P借贷违约风险预测方法
5.3.1 面向高维特征的集成深度学习框架
5.3.2 基于Bagging策略的数据抽样
5.3.3 面向高维特征的P2P借贷违约风险预测分类器
5.3.4 面向高维特征的违约风险预测分类器训练
5.3.5 面向高维特征的违约风险预测分类器集成
5.4 实例研究
5.4.1 P2P借贷信用数据描述
5.4.2 数据预处理与特征工程
5.4.3 预测结果与分析
5.5 本章小结
第六章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
读博士学位期间的学术活动及成果情况
本文编号：3762645
本文链接：https://www.wllwen.com/shoufeilunwen/jjglbs/3762645.html
