本文關(guān)鍵詞：基于大數(shù)據(jù)的個(gè)人信用風(fēng)險(xiǎn)評估模型研究

  更多相關(guān)文章： 大數(shù)據(jù) 個(gè)人信用風(fēng)險(xiǎn) 評估模型 隨機(jī)森林

【摘要】：“互聯(lián)網(wǎng)+”已經(jīng)被提升為中國國家戰(zhàn)略高度。以淘寶、京東等為代表的電子商務(wù)網(wǎng)站,以微信APP、QQ為代表的社交平臺以及支付寶、微信支付為代表的在線支付工具已經(jīng)深入到我們每個(gè)人的日常生活,互聯(lián)網(wǎng)支付、眾籌融資、P2P借貸、在線理財(cái)、網(wǎng)絡(luò)貸款等各種形式的互聯(lián)網(wǎng)金融服務(wù)在我國呈現(xiàn)出生機(jī)勃勃的發(fā)展景象,互聯(lián)網(wǎng)和大數(shù)據(jù)已經(jīng)對國民經(jīng)濟(jì)的很多領(lǐng)域以及商業(yè)模式產(chǎn)生了深遠(yuǎn)的影響。如何全面和準(zhǔn)確地評估個(gè)人信用風(fēng)險(xiǎn)狀況,并在此基礎(chǔ)上開展個(gè)性化的授信金融服務(wù),既是商業(yè)銀行、小額貸款公司等傳統(tǒng)金融機(jī)構(gòu)風(fēng)險(xiǎn)控制的核心環(huán)節(jié),也是P2P等新興互聯(lián)網(wǎng)金融機(jī)構(gòu)業(yè)務(wù)經(jīng)營過程中的痛點(diǎn),持續(xù)攀升的不良貸款率更是倒逼這些金融機(jī)構(gòu)不斷提升風(fēng)險(xiǎn)管理水平。各類金融機(jī)構(gòu)在個(gè)人信用風(fēng)險(xiǎn)評估環(huán)節(jié)中,過于倚重央行的個(gè)人征信系統(tǒng),該系統(tǒng)收錄的自然人數(shù)達(dá)8.6億多,但其中僅有3億多人有信貸記錄,且信貸記錄主要來源于商業(yè)銀行和農(nóng)村信用社等金融機(jī)構(gòu),在數(shù)據(jù)時(shí)效性、全面性和層次性上存在短板。大數(shù)據(jù)為個(gè)人信用風(fēng)險(xiǎn)評估提供了一種新的方法。通過將用戶在互聯(lián)網(wǎng)上網(wǎng)購、交易、社交等平臺的商譽(yù)和行為數(shù)據(jù)進(jìn)行整合和分析,將分散在不同網(wǎng)絡(luò)平臺和信貸機(jī)構(gòu)的局部信息加工融合成為具有完整視圖效果的全局信息。深度挖掘互聯(lián)網(wǎng)大數(shù)據(jù)信息,將用戶商譽(yù)和行為信息轉(zhuǎn)化為信貸評級依據(jù),開發(fā)大數(shù)據(jù)風(fēng)控模型,彌補(bǔ)央行個(gè)人征信信息的不足,解決交易過程中的信息不對稱的問題,既可以對互聯(lián)網(wǎng)金融平臺、小額貸款公司等金融機(jī)構(gòu)提供一個(gè)有力的風(fēng)險(xiǎn)抓手,也可以為央行征信系統(tǒng)信貸數(shù)據(jù)缺失或者信用記錄不好的用戶提供一個(gè)獲取信用類服務(wù)的機(jī)會。無論是線上還是線下的用戶消費(fèi)、社交數(shù)據(jù),都有著不同于傳統(tǒng)征信信息的獨(dú)有特征,使得傳統(tǒng)個(gè)人信用風(fēng)險(xiǎn)評估模型和方法在大數(shù)據(jù)環(huán)境下無法取得滿意效果:(1)數(shù)據(jù)的稀疏性強(qiáng)。用戶線上線下的行為散布廣泛,極難全量收集和覆蓋;用戶行為偏好亦各有不同,在不同門類的行為差異很大。(2)數(shù)據(jù)覆蓋面廣。信息覆蓋面廣泛,支付寶或微信都有超4億活躍用戶,用戶行為覆蓋服裝、書籍、租房、休閑、娛樂等各方面,單指標(biāo)維度超過1000個(gè)。(3)單變量風(fēng)險(xiǎn)區(qū)分能力弱。不同于傳統(tǒng)風(fēng)險(xiǎn)模型采用的歷史履約情況、個(gè)人資產(chǎn)評估等強(qiáng)變量,消費(fèi)或社交變量一般均為區(qū)分能力較弱的弱變量。傳統(tǒng)信用風(fēng)險(xiǎn)評估模型在業(yè)務(wù)邏輯架構(gòu)下,利用數(shù)據(jù)驅(qū)動或?qū)＜医?jīng)驗(yàn)開發(fā)模型模板,最終結(jié)合邏輯回歸、判別分析等統(tǒng)計(jì)分析模型得到精準(zhǔn)的計(jì)量結(jié)果。然而在新的數(shù)據(jù)畫像和業(yè)務(wù)情景下,原有的業(yè)務(wù)邏輯框架和傳統(tǒng)統(tǒng)計(jì)分析模型的應(yīng)用都受到嚴(yán)重限制。近幾年,以決策樹、神經(jīng)網(wǎng)絡(luò)等為代表的機(jī)器學(xué)習(xí)技術(shù)得到飛速發(fā)展,在信息識別、推薦引擎等領(lǐng)域都取得了出色的應(yīng)用效果。如何結(jié)合傳統(tǒng)風(fēng)險(xiǎn)評估模型體系和機(jī)器學(xué)習(xí)技術(shù),在保證業(yè)務(wù)邏輯和評分廣泛應(yīng)用的前提下,更加精準(zhǔn)的評估風(fēng)險(xiǎn)是一個(gè)值得研究的課題,本文的研究內(nèi)容在這方面是一個(gè)有益的嘗試。鑒于此,本文針對基于大數(shù)據(jù)的個(gè)人信用風(fēng)險(xiǎn)評估模型體系,重點(diǎn)研究下述關(guān)鍵內(nèi)容:(1)通過對模型的數(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(jìn)行詳細(xì)分析,提出大數(shù)據(jù)環(huán)境下的個(gè)人信用風(fēng)險(xiǎn)評估模型——creditnet研究框架,將creditnet模型劃分為三個(gè)研究階段,逐步限定技術(shù)要點(diǎn),開展模型構(gòu)建研究。(2)針對creditnet模型研究框架的第一個(gè)階段,本文將用戶畫像的概念引入個(gè)人信用風(fēng)險(xiǎn)評估領(lǐng)域,從六大維度構(gòu)建用戶信用畫像,解決了大數(shù)據(jù)環(huán)境下個(gè)人信息的有效收集和組織問題,并通過變量衍生的方法增強(qiáng)單變量的風(fēng)險(xiǎn)區(qū)分能力。在此基礎(chǔ)上,從數(shù)據(jù)收集、數(shù)據(jù)核對和數(shù)據(jù)清洗等方面對大數(shù)據(jù)的預(yù)處理方法進(jìn)行了闡述,結(jié)合對單變量分析和多變量分析方法,為大數(shù)據(jù)環(huán)境下個(gè)人信用風(fēng)險(xiǎn)評估模型的研究奠定了數(shù)據(jù)基礎(chǔ)。(3)針對creditnet模型研究框架的第二個(gè)階段,本文將機(jī)器學(xué)習(xí)理論中的隨機(jī)森林模型與logisitc回歸模型進(jìn)行結(jié)合,構(gòu)建rf-l核模型,生成了一系列具有風(fēng)險(xiǎn)評估能力的子模型。在進(jìn)行統(tǒng)計(jì)建模前,利用隨機(jī)森林中的chaid決策樹進(jìn)行分析,并生成二元決策樹變量,然后將隨機(jī)森林模型的輸出結(jié)果導(dǎo)入logistic回歸模型中進(jìn)行統(tǒng)計(jì)建模,為大數(shù)據(jù)信息轉(zhuǎn)變?yōu)轱L(fēng)險(xiǎn)評估依據(jù)奠定了模型基礎(chǔ)。(4)針對creditnet模型研究框架的第三個(gè)階段,本文提出將機(jī)器學(xué)習(xí)理論中的adaboost集成學(xué)習(xí)算法應(yīng)用到對rf-l核模型生成的一系列評估子模型的集成研究中,通過對不同評估能力的子模型進(jìn)行集成,增強(qiáng)了最終模型的評估效果。(5)基于上述研究,進(jìn)一步驗(yàn)證CreditNet模型的效果。本文從CreditNet模型的區(qū)分能力、穩(wěn)定性等方面進(jìn)行了測試,將CreditNet模型與其他模型的評估效果進(jìn)行了對比分析,并在某股份制商業(yè)銀行和某P2P公司的業(yè)務(wù)中對CreditNet模型進(jìn)行了實(shí)證分析,對CreditNet模型的應(yīng)用場景進(jìn)行了展望。
【學(xué)位授予單位】：對外經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：F832.4

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉海;盧慧;阮金花;田丙強(qiáng);胡守忠;;基于“用戶畫像”挖掘的精準(zhǔn)營銷細(xì)分模型研究[J];絲綢;2015年12期

2 李進(jìn);;基于隨機(jī)森林算法的綠色信貸信用風(fēng)險(xiǎn)評估研究[J];金融理論與實(shí)踐;2015年11期

3 周星;丁立新;萬潤澤;葛強(qiáng);;分類器集成算法研究[J];武漢大學(xué)學(xué)報(bào)(理學(xué)版);2015年06期

4 高俊光;劉旭;朱辰辰;;小微企業(yè)信用評估的數(shù)據(jù)挖掘方法綜述[J];金融理論與實(shí)踐;2015年10期

5 許琪;;阿里巴巴芝麻信用存在的問題及相關(guān)建議[J];金融會計(jì);2015年09期

6 陳劍;王艷;郭杰群;;大數(shù)據(jù)金融及信用風(fēng)險(xiǎn)管理[J];網(wǎng)絡(luò)新媒體技術(shù);2015年03期

7 李學(xué)龍;龔海剛;;大數(shù)據(jù)系統(tǒng)綜述[J];中國科學(xué):信息科學(xué);2015年01期

8 雷成;葉小勇;李小波;;深度學(xué)習(xí)技術(shù)及其在腫瘤分類中的應(yīng)用[J];智能計(jì)算機(jī)與應(yīng)用;2014年06期

9 蕭超武;蔡文學(xué);黃曉宇;陳康;;基于隨機(jī)森林的個(gè)人信用評估模型研究及實(shí)證分析[J];管理現(xiàn)代化;2014年06期

10 王磊;范超;解明明;;數(shù)據(jù)挖掘模型在小企業(yè)主信用評分領(lǐng)域的應(yīng)用[J];統(tǒng)計(jì)研究;2014年10期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 張傳新;我國商業(yè)銀行信用風(fēng)險(xiǎn)度量研究[D];蘇州大學(xué);2012年

2 雷震;隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

3 劉迎春;我國商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理研究[D];東北財(cái)經(jīng)大學(xué);2011年

4 張明錦;基于特征選擇的多變量數(shù)據(jù)分析方法及其在譜學(xué)研究中的應(yīng)用[D];華東理工大學(xué);2011年

5 王清;集成學(xué)習(xí)中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2011年

6 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

7 趙靜嫻;基于決策樹的信用風(fēng)險(xiǎn)評估方法研究[D];天津大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 王冠;基于用戶互聯(lián)網(wǎng)行為數(shù)據(jù)的個(gè)人征信評估體系建設(shè)分析[D];北京交通大學(xué);2015年

2 陳s，

本文編號：1304191