隨著金融行業(yè)和互聯(lián)網(wǎng)行業(yè)的緊密結(jié)合,國內(nèi)各金融機構(gòu)紛紛把個人消費貸款業(yè)務(wù)作為未來的發(fā)展戰(zhàn)略之一,而其中個人信用風(fēng)險控制作用至關(guān)重要。通過將用戶在各個層面上的行為進行數(shù)據(jù)化和整合化,運用并行化和深度挖掘的方式,將用戶消費和行為信息轉(zhuǎn)化為個人信用的評估依據(jù),以此來為各金融機構(gòu)提供個人信用風(fēng)險控制。在大數(shù)據(jù)領(lǐng)域,傳統(tǒng)的風(fēng)險模型存在處理效率及精確度難以適應(yīng)的問題。因此,如何結(jié)合傳統(tǒng)風(fēng)險評估模型和機器學(xué)習(xí)技術(shù),針對大數(shù)據(jù)特性,獲得一個更加精準(zhǔn)的評估模型,是一個值得研究的課題。本文的研究內(nèi)容就圍繞這個問題展開。主要的工作包括:（1）就模型的數(shù)據(jù)基礎(chǔ)、表現(xiàn)定義及邏輯、樣本分類和抽樣方案等建�；A(chǔ)信息進行詳細介紹及分析,并提出大數(shù)據(jù)環(huán)境下的個人信用風(fēng)險評估模型——CEvaluation+。（2）從不同維度來構(gòu)建用戶信用畫像,進行數(shù)據(jù)收集、數(shù)據(jù)核對、數(shù)據(jù)清洗、因子分析法等預(yù)處理方法。（3）結(jié)合高效、可解釋性的Logistic算法以及高精確度和低數(shù)據(jù)分布要求的深度學(xué)習(xí)模型,構(gòu)建評估預(yù)警模型。具體過程是:先對待處理的數(shù)據(jù)使用Logistic算法進行預(yù)判,對預(yù)判結(jié)果為―壞用戶‖以及―中間用戶‖的案例,將決策樹... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

逐回歸基本驟Fig.2-1Basicprocessofstepwiseregression主成分分析法是解決重疊變量的有效分析方法，通過識別變量之間的相關(guān)關(guān)

圖 2-2 單 神經(jīng)元結(jié)構(gòu)模Fig.2-2 A single neuron structure model的結(jié)構(gòu)模型，我們可以按照其上的符號標(biāo)注，描繪其工作是輸入端，接收來自用戶輸入的數(shù)值。每一個輸入都對應(yīng)一個權(quán)值i ，求出所有輸入的加權(quán)和應(yīng)關(guān)系如下：為激活函數(shù)進行轉(zhuǎn)換，通常其為非線性特征函數(shù)，如此便線性的變換，最終輸出結(jié)果 y。經(jīng)元模型主要為閾值型、分段線性型、Sigmoid 函數(shù)型和 T Sigmoid 函數(shù)型的神經(jīng)元。圖 2-3 為對應(yīng)的模型圖。它通接節(jié)點之間的權(quán)值實現(xiàn)信息處理，也正是通過調(diào)節(jié)權(quán)值，應(yīng)的能力。神經(jīng)網(wǎng)絡(luò)模型主要分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)，

14圖 2-3 常用神經(jīng)元模[29]Fig.2-3 Commonly used neuron model2.2.4 SVM 模型SVM(Support Vector Machine)指的是支持向量機，它的提出來源于統(tǒng)計學(xué)理論。通過對線性可分的改進，使該學(xué)習(xí)模型具備監(jiān)督性。所以在回歸分析和分類等領(lǐng)域有著廣泛的使用。SVM 之所以稱為線性可分問題的進階解決方案，主要對于非線性可分問題也可以進行很好的解決。它通過一個非線性映射，將其轉(zhuǎn)換為高維特征空間中，從而轉(zhuǎn)換為線性可分的問題，使得復(fù)雜的問題也能得以解決[17]。雖然提升維度會帶來眾多問題，特別是計算時間的大幅度提高，但是針對無法線性處理的樣本集，這無疑是極具突破性的。通過樣本空間的巧妙轉(zhuǎn)換也可以解決分類、聚類等問題，對于復(fù)雜的劃分也可以做到迎刃而解。劃分方法類似于在特征空間中構(gòu)建最優(yōu)超

【參考文獻】：
期刊論文
[1]互聯(lián)網(wǎng)金融時代商業(yè)銀行發(fā)展個人信貸業(yè)務(wù)探究[J]. 崔勇,穆樂華,景士晶,佟翠英,郝靜,徐琳,林更.  北京金融評論. 2017(02)
[2]我國互聯(lián)網(wǎng)金融的風(fēng)險與防范研究[J]. 吳抒曼.  現(xiàn)代金融. 2017(02)
[3]運用ANNs算法和BP算法對產(chǎn)業(yè)優(yōu)化轉(zhuǎn)型升級研究[J]. 林鋒,黃麗華.  貴陽學(xué)院學(xué)報(自然科學(xué)版). 2016(04)
[4]基于隨機森林算法的綠色信貸信用風(fēng)險評估研究[J]. 李進.  金融理論與實踐. 2015(11)
[5]基于決策樹的P2P網(wǎng)貸信用風(fēng)險評價[J]. 孫同陽,謝朝陽.  商業(yè)經(jīng)濟研究. 2015(02)
[6]互聯(lián)網(wǎng)金融風(fēng)險控制[J]. 孫淑萍.  金融理論與實踐. 2014(11)
[7]商業(yè)銀行的個人信用評估研究:基于PCA-GA-BP算法[J]. 王天擎,劉小清.  價值工程. 2014(31)
[8]關(guān)于當(dāng)前互聯(lián)網(wǎng)金融征信發(fā)展的思考[J]. 袁新峰.  征信. 2014(01)
[9]基于Logistics回歸算法的證券客戶流失預(yù)測模型及應(yīng)用[J]. 吳斌,應(yīng)力.  金融電子化. 2013(07)

博士論文
[1]基于大數(shù)據(jù)的個人信用風(fēng)險評估模型研究[D]. 張萬軍.對外經(jīng)濟貿(mào)易大學(xué) 2016

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)模型的中國P2P借款人信用風(fēng)險評估研究[D]. 黃震.北京交通大學(xué) 2015
[2]商業(yè)銀行個人信用評估模型研究[D]. 張健.廣西大學(xué) 2012



本文編號：3480735