统计方法在互联网金融违约风险识别中的应用

摘要

互联网的迅速发展让我们的生活方式发生了巨大的变革，尤其是近些年互联网和金融的结合并依托互联网、大数据、云计算等技术深刻的影响了传统金融行业，改变了人们的生活方式。
　　但基于互联网自身的特点和相应制度的不够完善，互联网金融同时也存在着一定的风险性，加强监管和降低风险已经成为了互联网金融行业面临的重大挑战。本文从互联网金融中信用风险出发研究，旨在通过对互联网金融公司的数据研究，找到能够预测客户是否存在违约风险的判定方法，最大程度的减少公司的损失。
　　本文通过对国内外相关成果的研究，结合中国互联网金融的发展状况，利用统计学知识和机器学习方法进行建模分析，选取了某一互联网金融公司的金融数据共1000个样本和29个变量作为研究对象。在建立模型之前首先利用对原始数据进行了处理和描述性统计分析，将数据分为了训练集和测试集两部分。
　　为了找到最合适方法，在综合分析现有模型的优缺点基础上，本文分别建立了决策树模型、朴素贝叶斯模型和Logistic回归模型，利用测试集数据进行验证得到混淆矩阵。为了提高模型准确度又对决策树模型加入了自适应，对朴素贝叶斯模型加入了Laplace修正，然后结合F度量和ROC曲线等指标综合对比发现 Logistic回归的预测效果最理想。最后,总结了研究的结果，对发现的问题进行分析并给出建议。

目录

1 绪 论

1.1 选题的背景及意义

1.2.1 国外研究现状

1.2.2 国内研究状况

1.3 本文研究的主要内容

2 数据的处理与特征描述

2.1 数据的来源与处理

2.1.1 数据的预处理

2.1.2 数据的图表特征展示

2.2 数据的相关性分析

3 模型建立与应用

3.1 模型概述

3.2 决策树模型

3.2.1 决策树的构成

3.2.2 划分选择

3.2.3 剪枝处理

3.2.4 模型应用

3.3 朴素贝叶斯模型

3.3.1 朴素贝叶斯分类原理

3.3.2 朴素贝叶斯模型的特性及应用流程

3.3.3 朴素贝叶斯模型的应用

3.4 logistic回归模型

3.4.1 logistic回归的基本原理

3.4.2 logistic回归模型的特性

3.4.3 模型应用

4 模型性能的评估与对比

4.1 性能指标对比

4.2 性能权衡的可视化

4.3 综合评价

5 结论和建议

5.1 结论

5.2 建议

致谢

参考文献