本文選題：P2P網(wǎng)貸　切入點：信用評價　出處：《首都經(jīng)濟(jì)貿(mào)易大學(xué)》2017年碩士論文

【摘要】：P2P網(wǎng)貸全稱是P2P網(wǎng)絡(luò)借貸。P2P是英文單詞peer to peer的縮寫,是“點對點”或“個人對個人”的意思。P2P網(wǎng)貸是依托互聯(lián)網(wǎng)背景發(fā)展而來的一種新興的借貸模式。這種借貸交易沒有最低交易金額的限制,依托網(wǎng)絡(luò)就可以迅速完成,大大的節(jié)省了交易的時間成本。截止到2016年底,國內(nèi)已有四千多家P2P網(wǎng)絡(luò)信貸平臺,其發(fā)展速度與規(guī)模都讓人驚嘆不已。這種準(zhǔn)入門檻低、無抵押無擔(dān)保、簡單便捷的互聯(lián)網(wǎng)金融服務(wù)模式,給了傳統(tǒng)金融行業(yè)很大的沖擊,但同時也滿足了特定人群的需求,解決了很多個人和小微企業(yè)貸款難和融資難的困境,還能讓更多的工薪階層參與到金融理財?shù)年犖橹衼?合理的利用了社會資源,蘊含著巨大的市場潛力。但在滿足廣大投資者與借款者需求的同時,這種網(wǎng)絡(luò)信貸業(yè)務(wù),也隨著發(fā)展進(jìn)程慢慢的呈現(xiàn)出了很多隱藏的問題。截至2016年年底,國內(nèi)出現(xiàn)問題的P2P網(wǎng)貸平臺已高達(dá)數(shù)百家,平臺倒閉與平臺責(zé)任人跑路的現(xiàn)象屢屢發(fā)生。由于P2P行業(yè)在國內(nèi)起步較晚,對借款者信用的評價與管理技術(shù)不成熟,尚未有對借款人信用進(jìn)行評價的有效方法。鑒于此,本文重點對平臺借款人信用評價的方法做了深入研究。文章首先對國內(nèi)外典型的P2P平臺運營模式與特點進(jìn)行了深入剖析與探討,借鑒國外較成熟的信用評價方法,并結(jié)合國內(nèi)P2P網(wǎng)貸平臺的特點,建立了相應(yīng)的P2P借款人信用風(fēng)險評價指標(biāo)體系。依托該指標(biāo)體系建立相應(yīng)的因子分析-支持向量回歸(FA-SVR)模型,然后借助libsvm軟件包對模型進(jìn)行訓(xùn)練與優(yōu)化。該模型可以根據(jù)網(wǎng)貸平臺提供的借款人信息對其信用風(fēng)險進(jìn)行評估,平臺經(jīng)營管理者可以以此為參考,對平臺借款人進(jìn)行有效的管理,對于投資者,該模型也可以幫助其較好的識別與選擇借款人資信情況較好的投資項目,在降低投資風(fēng)險的同時獲得較好的收益。本文利用python爬蟲技術(shù)抓取國內(nèi)具有代表性的P2P網(wǎng)貸平臺——人人貸上的借款人相關(guān)信息。首先借助因子分析方法對借款人進(jìn)行粗略打分,之后用這些數(shù)據(jù)對支持向量回歸模型進(jìn)行訓(xùn)練與優(yōu)化,并用部分借款人信息對模型預(yù)測的準(zhǔn)確率與實用性進(jìn)行了驗證,同時借助gridregression函數(shù)對模型進(jìn)行優(yōu)化與改進(jìn)。結(jié)果表明經(jīng)過優(yōu)化的FA-SVR(因子分析-支持向量回歸)模型相對于未經(jīng)優(yōu)化的因子分析-支持向量回歸模型具有更好的收斂性和更高的預(yù)測能力,能更好地用來對借款人的信用進(jìn)行評價,從而能夠?qū)2P網(wǎng)貸平臺的運營風(fēng)險很好的把控,對平臺投資者在投資項目的選擇上有了更好的參考。
[Abstract]:P2P network loan full name is P2P network loan. P2P is the abbreviation of the English word peer to peer. P2P loan is a new lending model developed from the background of the Internet. There is no limit on the minimum transaction amount, and the loan transaction can be completed quickly by relying on the network. By the end of 2016, there were more than 4,000 P2P network credit platforms in China, and their development speed and scale were amazing. This kind of low entry threshold, unsecured and unsecured, The simple and convenient Internet financial service model has given a great impact to the traditional financial industry, but at the same time it has also met the needs of specific groups of people, and solved the plight of many individuals and small and micro enterprises with difficult loans and financing. It can also allow more working class to participate in the financial management team, make rational use of social resources, and contain huge market potential. But while meeting the needs of investors and borrowers, this online credit business, With the development process, many hidden problems have emerged. By the end of 2016, there had been hundreds of P2P loan platforms in China. Due to the late start of P2P industry in China and the immature technology of evaluating and managing borrowers' credit, there is no effective method to evaluate borrower's credit. This paper focuses on the credit evaluation methods of platform borrowers. Firstly, this paper analyzes and discusses the typical P2P platform operation mode and characteristics at home and abroad, and draws lessons from the more mature foreign credit evaluation methods. Combining with the characteristics of domestic P2P network loan platform, the corresponding credit risk evaluation index system of P2P borrowers is established. Based on the index system, the corresponding factor analysis-support vector regression (FA-SVR) model is established. Then the model is trained and optimized with the help of libsvm software package. The model can evaluate the credit risk according to the information of the borrowers provided by the network loan platform, and the platform managers can use this model as a reference. For the investors, the model can also help them to identify and select the investment projects with better credit standing. In this paper, we use python crawler technology to capture the relevant information of borrowers on peer-to-peer lending, a representative P2P network loan platform in China. Firstly, we use factor analysis method to score the borrowers roughly. Then the support vector regression model is trained and optimized with these data, and the accuracy and practicability of the model prediction are verified with partial borrower information. The results show that the optimized FA-SVR( Factor Analysis-support Vector regression) model has better convergence than the unoptimized FA-SVRmodel. Sex and higher predictive power, It can be better used to evaluate the credit of the borrower, so it can control the operation risk of P2P network loan platform, and provide a better reference for the platform investors in the choice of investment projects.
【學(xué)位授予單位】：首都經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F832.4;F724.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王國慶;;名義借款人問題——客車按揭業(yè)務(wù)的風(fēng)險防范重點[J];商用汽車;2009年03期

2 賀福祥;;介紹一種使借款人放心的借款單[J];財會通訊;1985年11期

3 范文君,王雪奇,羅爾豪;獨辟蹊徑——信貸員與借款人“連帶”[J];中國農(nóng)村信用合作;2000年10期

4 陸淮君;個人住房抵押貸款中借款人風(fēng)險研究——風(fēng)險的防范與分散[J];淮南師范學(xué)院學(xué)報;2003年03期

5 胡法根 ,蔡繼林 ,陳宗海;時下短評[J];中國農(nóng)村信用合作;2004年05期

6 衛(wèi)卉芳;;借款也可以省錢[J];中國供銷商情投資與營銷;2006年05期

7 彭文平;;信貸配給、借款人特征與信貸市場結(jié)構(gòu)[J];南京審計學(xué)院學(xué)報;2009年01期

8 ;按部門發(fā)放給東亞和太平洋地區(qū)借款人的貸款(2)[J];外國經(jīng)濟(jì)參考資料;1982年04期

9 葉一寬;改進(jìn)預(yù)借旅差費及其報銷手續(xù)的建議[J];上海會計;1986年07期

10 杜俊明;;根據(jù)信任等級發(fā)放信任貸款[J];金融與經(jīng)濟(jì);1986年03期

相關(guān)重要報紙文章 前10條

1 記者 劉韜;建行個人消費貸款出新招[N];人民日報;2000年

2 胡法根;要重視審查借款人的納稅信息[N];中國城鄉(xiāng)金融報;2005年

3 秦傳勝 李純;借款人主體的欠缺與矯正[N];金融時報;2002年

4 記者 付秋實;重慶：借款人意外險緩解融資難[N];金融時報;2011年

5 記者 張莫;小貸業(yè)務(wù)快速發(fā)展 借款人“過度負(fù)債”苗頭隱現(xiàn)[N];經(jīng)濟(jì)參考報;2012年

6 本報見習(xí)記者 劉琪;玖融網(wǎng)：主推車輛抵押標(biāo) 僅限當(dāng)?shù)亟杩钊薣N];證券日報;2014年

7 曲哲涵;安貸寶：借款人的“定心丸”[N];人民日報;2005年

8 記者 顧海萍;兩代人合力 買房變?nèi)菀譡N];中國城鄉(xiāng)金融報;2006年

9 蔣冬英　俞惠中;誰是借款人[N];江蘇經(jīng)濟(jì)報;2004年

10 通訊員 陳煒華;偽造民事證據(jù)罰款20萬元[N];上海法治報;2012年

相關(guān)博士學(xué)位論文 前2條

1 王福林;個人住房抵押貸款違約風(fēng)險影響因素實證研究[D];浙江大學(xué);2004年

2 牛路辰;借貸聲譽研究[D];西南財經(jīng)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王曉萱;Lending Club公司P2P網(wǎng)貸模式案例分析[D];遼寧大學(xué);2015年

2 胡冰;P2P網(wǎng)貸法律問題研究[D];華中師范大學(xué);2015年

3 劉夢玲;P2P平臺風(fēng)控模型研究[D];云南財經(jīng)大學(xué);2015年

4 沙慧嬌;P2P網(wǎng)貸平臺風(fēng)險研究[D];安徽財經(jīng)大學(xué);2015年

5 盛鵬亮;YX網(wǎng)貸公司風(fēng)險管控的改進(jìn)問題研究[D];南京師范大學(xué);2015年

6 張宇航;平臺信用評級對P2P融資成功率的影響研究[D];大連理工大學(xué);2015年

7 李湛;P2P網(wǎng)貸平臺發(fā)展探究[D];山東大學(xué);2015年

8 劉卓;**P2P小額信貸公司風(fēng)險問題研究[D];華東理工大學(xué);2016年

9 鄭晴;P2P網(wǎng)絡(luò)借貸資金池問題研究[D];吉林大學(xué);2016年

10 唐國雷;基于P2P網(wǎng)絡(luò)借貸平臺的借款人信用風(fēng)險評估應(yīng)用研究[D];上海工程技術(shù)大學(xué);2016年

，

本文編號：1664685