P2P網(wǎng)絡(luò)借貸作為一種新型的金融服務(wù)業(yè)模式,在解決小微企業(yè)融資及個(gè)人貸款等方面比傳統(tǒng)銀行更加高效與便捷。它省去了線下私人貸款和銀行貸款的一系列繁瑣程序,直接提供線上交易,使用戶極大地享受了虛擬世界帶來的便利。這種新型的網(wǎng)絡(luò)借貸模式受到了廣泛歡迎。但是,近年來,網(wǎng)貸的風(fēng)險(xiǎn)已經(jīng)不斷積累,一系列風(fēng)險(xiǎn)事件紛紛爆發(fā),導(dǎo)致大量的平臺破產(chǎn)倒閉。這不僅嚴(yán)重?fù)p害了投資者的合法權(quán)益,同時(shí)也極大地危害了金融行業(yè)的安全和社會(huì)的穩(wěn)定。對此,網(wǎng)貸平臺部門也出臺了相應(yīng)的政策來引導(dǎo)行業(yè)的合規(guī)發(fā)展。而對于平臺自身而言,也應(yīng)該做好風(fēng)險(xiǎn)管理及預(yù)警工作。由于我國P2P網(wǎng)貸平臺蘊(yùn)藏著許多借貸違約風(fēng)險(xiǎn),準(zhǔn)確預(yù)測違約風(fēng)險(xiǎn)并采取相應(yīng)的處理措施是當(dāng)前P2P網(wǎng)貸平臺當(dāng)務(wù)之急。本文主要使用多個(gè)機(jī)器學(xué)習(xí)方法構(gòu)建模型對P2P網(wǎng)貸用戶違約率進(jìn)行研究,通過對比選擇出其中最適合做該行業(yè)的用戶借貸違約率的風(fēng)險(xiǎn)識別模型,幫助平臺提前辨別出風(fēng)險(xiǎn)隱患大的借貸者,保障平臺自身及用戶的利益。本文是在以往研究的基礎(chǔ)上選取lending club網(wǎng)貸平臺公開提供的2016年至2017年第一季度用戶借貸交易原始數(shù)據(jù),在對數(shù)據(jù)進(jìn)行分析處理的基礎(chǔ)上,分別使用Logist... 

【文章來源】：安慶師范大學(xué)安徽省

【文章頁數(shù)】：47 頁

【學(xué)位級別】：碩士

【部分圖文】：

主要內(nèi)容框架

算標(biāo)準(zhǔn)化后得出了向量特征值、方差貢獻(xiàn)率及累計(jì)方差貢獻(xiàn)率，并依據(jù)累主成分，計(jì)算結(jié)果如下表 3.4。下圖 3.1 是方差相對于主成分個(gè)數(shù)的碎石圖表 3.4 方差及主成分貢獻(xiàn)率分特征向量特征值 方差貢獻(xiàn)率% 方差累積貢獻(xiàn)率%1 13.026 25.051 25.0512 6.061 11.655 36.7063 5.487 10.553 47.2584 3.78 7.268 54.5275 3.065 5.894 60.4216 2.433 4.678 65.0997 2.222 4.274 69.3738 2.022 3.889 73.2619 1.933 3.717 76.9790 1.655 3.183 80.1611 1.402 2.697 82.8582 1.135 2.183 85.0413 1.016 1.953 86.994

圖 4. 4 BABP 神經(jīng)網(wǎng)絡(luò)的適應(yīng)變化曲線BABP 神經(jīng)網(wǎng)絡(luò)對借貸用戶違約風(fēng)險(xiǎn)預(yù)測的輸出值是 0-1 之間的小數(shù)，并不是1 的分類結(jié)果，為了計(jì)算 BABP 神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率，本文將[0,0.5)之間的輸出賦值為 0，將[0.5,1]之間的輸出結(jié)果賦值為 1 對輸出結(jié)果進(jìn)行分類。如下 4.2 為 B神經(jīng)網(wǎng)絡(luò)測試結(jié)果，從表中可以得出 BABP 神經(jīng)網(wǎng)絡(luò)對借貸用戶違約率預(yù)測分類結(jié)準(zhǔn)確率達(dá)到 91.67%，其中未違約分類中的預(yù)測錯(cuò)誤率最低，誤差率僅為 4.22%，然約分類中預(yù)測錯(cuò)誤率較高，達(dá)到 12.66%。對比 Logistic 回歸模型得到的借貸用戶違測分類結(jié)果還是比較滿意的，誤差率相對比較小，證明 BABP 神經(jīng)網(wǎng)絡(luò)在借貸用戶風(fēng)險(xiǎn)預(yù)測分類中具有比較高的可行性。表 4. 2 BABP 神經(jīng)網(wǎng)絡(luò)測試結(jié)果違約類型預(yù)測結(jié)果預(yù)測正確數(shù)量預(yù)測錯(cuò)誤數(shù)量預(yù)測正確率預(yù)測錯(cuò)誤率總預(yù)測準(zhǔn)確率未違約 876 830 37 94.75% 4.22%91.67%違約 624 545 79 87.34% 12.66%

【參考文獻(xiàn)】：
期刊論文
[1]論P(yáng)2P網(wǎng)絡(luò)借貸平臺風(fēng)險(xiǎn)管理現(xiàn)狀的研究[J]. 黃競瑩.  現(xiàn)代營銷(下旬刊). 2019(04)
[2]我國P2P網(wǎng)貸行業(yè)發(fā)展分析及監(jiān)管展望[J]. 韓佳峰.  時(shí)代金融. 2018(36)
[3]基于機(jī)器學(xué)習(xí)的高層建筑火災(zāi)風(fēng)險(xiǎn)評估[J]. 任中杰,李思成,王暉暉.  消防科學(xué)與技術(shù). 2018(11)
[4]核函數(shù)選擇方法研究[J]. 王振武,何關(guān)瑤.  湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(10)
[5]基于SVM的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評價(jià)研究[J]. 李迅菡,李超.  合肥工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2018(02)
[6]基于Lasso-Logistic模型的P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)度量[J]. 鄒明芮.  長春大學(xué)學(xué)報(bào). 2018(03)
[7]基于SVMK-Means的非均衡P2P網(wǎng)貸平臺風(fēng)險(xiǎn)預(yù)測研究[J]. 張文,崔楊波,姜祎盼.  系統(tǒng)科學(xué)與數(shù)學(xué). 2018(03)
[8]基于Logistic的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評估研究[J]. 徐慧婷.  中國石油大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2017(06)
[9]P2P借貸中借款人的違約風(fēng)險(xiǎn)評估——基于“人人貸”數(shù)據(jù)的實(shí)證分析[J]. 阮素梅,何浩然,李敬明.  經(jīng)濟(jì)問題. 2017(12)
[10]基于決策樹與Logistic回歸的P2P網(wǎng)貸平臺信用風(fēng)險(xiǎn)評價(jià)比較分析[J]. 余華銀,雷雅慧.  長春大學(xué)學(xué)報(bào). 2017(09)

碩士論文
[1]數(shù)據(jù)歸一化方法對提升SVM訓(xùn)練效率的研究[D]. 湯榮志.山東師范大學(xué) 2017
[2]基于機(jī)器學(xué)習(xí)技術(shù)的P2P風(fēng)控模型研究[D]. 王夢雪.哈爾濱工業(yè)大學(xué) 2017
[3]基于數(shù)據(jù)挖掘的我國P2P網(wǎng)絡(luò)借貸違約預(yù)測模型研究[D]. 劉瑾雯.大連理工大學(xué) 2016
[4]基于RF和APSOLSSVM的兩階段信用評估研究[D]. 張碧月.西南財(cái)經(jīng)大學(xué) 2016
[5]P2P網(wǎng)貸平臺的風(fēng)險(xiǎn)控制研究[D]. 唐穎.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2015
[6]P2P網(wǎng)絡(luò)貸款的問題與對策研究[D]. 彭明明.廣西大學(xué) 2014
[7]基于機(jī)器學(xué)習(xí)的信用風(fēng)險(xiǎn)評估技術(shù)若干研究[D]. 魏海周.北京理工大學(xué) 2011



本文編號：3565279