隨著中國經濟金融改革,傳統(tǒng)的借貸方法已無法滿足大量中小微型企業(yè)及個人的借貸需求。網絡借貸平臺的出現(xiàn),解決了中小微型企業(yè)及個人的快速融資需求。與國內傳統(tǒng)的借貸項目相比,P2P網絡貸款存在對借款方要求低,速度快等不可忽視的優(yōu)點。但同時,網絡貸款依托于互聯(lián)網,存在數(shù)據(jù)量大、數(shù)據(jù)稀疏度高等問題,因此P2P網絡貸款也存在較大的風險,傳統(tǒng)的評級方法已經不能夠得出準確的風險分析結果,本文提出基于深度學習的模型對P2P網絡貸款數(shù)據(jù)進行處理并有效提高風險預測的準確度。使用傳統(tǒng)的深度學習模型對P2P系統(tǒng)進行風險預測優(yōu)勢明顯,但P2P系統(tǒng)數(shù)據(jù)的不平衡性、用戶信息完整度差等問題會導致深度網絡訓練精確度低、魯棒性差、以及容易陷入局部最優(yōu)等問題的出現(xiàn)。本文提出了使用卷積堆疊降噪自編碼器作為深度網絡的P2P網貸系統(tǒng)風險預測方法,使用深度學習網絡生成特征數(shù)據(jù)矩陣,再使用分類模型對數(shù)據(jù)進行分類,實驗證明該方法可有效提高風險預測的準確率并解決數(shù)據(jù)稀疏的問題,本文主要工作如下:本文使用來自P2P平臺的真實數(shù)據(jù),但該數(shù)據(jù)存在樣本不均衡的問題。針對該問題對數(shù)據(jù)進行預處理,使用SMOTE算法解決數(shù)據(jù)的類別不平衡問題。并針對用戶數(shù)... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

線性可分支持向量機模型圖

圖 2.4 支持向量及超平面示意圖機的最優(yōu)化問題可通過應用拉格朗日對偶性，得到原始問題朗日函數(shù)(Lagrange Function)，并引進拉格朗日乘子(Lagra,...,N,拉格朗日函數(shù)定義如下：21 11( , , ) || || ( )2N Ni i i ii iL w b w y w x b T1 2( , ,..., )N 為拉格朗日乘子向量。由此支持向量機的最問題：,max min ( , , )w bL w b 求 L ( w, b, )對 w, b的極小值，再求 對 的極小值對求,min ( , , )w bL w b ，將拉格朗日函數(shù) 分別對 求偏

圖 2.5 非線性 SVM 示意圖數(shù)往往不好求解，因此常用的方法就是使用非線性轉換上圖的非線性問題轉化為線性問題后如圖 2.6 所示：圖 2.6 非線性 SVM 的非線性轉化示意圖

【參考文獻】：
期刊論文
[1]P2P網絡借貸平臺的風險管理——基于COSO-ERM（2016）框架的分析[J]. 張春輝.  財會通訊. 2019(02)
[2]關于改進的激活函數(shù)TReLU的研究[J]. 張濤,楊劍,宋文愛,宋超峰.  小型微型計算機系統(tǒng). 2019(01)
[3]中國民營企業(yè)融資困境及其應對[J]. 沈坤榮,趙亮.  江海學刊. 2019(01)
[4]基于集成學習的中國P2P網絡借貸信用風險預警模型的對比研究[J]. 操瑋,李燦,賀婷婷,朱衛(wèi)東.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2018(10)
[5]基于機器學習的P2P網絡借貸違約風險預警研究——來自“拍拍貸”的借貸交易證據(jù)[J]. 涂艷,王翔宇.  統(tǒng)計與信息論壇. 2018(06)
[6]卷積神經網絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[7]基于句法語義特征的中文實體關系抽取[J]. 甘麗新,萬常選,劉德喜,鐘青,江騰蛟.  計算機研究與發(fā)展. 2016(02)
[8]深度學習研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學學報. 2015(01)
[9]一種限定性的雙層貝葉斯分類模型[J]. 石洪波,王志海,黃厚寬,勵曉健.  軟件學報. 2004(02)

碩士論文
[1]基于模糊神經網絡的P2P網絡貸款信用風險評估研究[D]. 王升云.湖南大學 2017
[2]我國P2P網絡信貸的發(fā)展與監(jiān)管研究[D]. 楊華.湖南大學 2013



本文編號：3393398