基于卷积神经网络的分期购物用户逾期还款概率预测

摘要

随着互联网金融行业的兴起与快速发展，分期购物模式，即消费者可以分多次付清钱款的消费模式被开发出来，并且越来越受到消费者的青睐。但同时互联网金融机构也面临资金风险问题。因此能否准确有效预测用户的还款行为，将有助于金融机构合理对用户信用风险进行评估，完成资金合理投放，从而最大限度的保证资金安全。 目前，逾期还款概率预测主要使用的是传统机器学习方法，该方法需要对数据进行分析并建立特征工程，最后根据提取的特征建立预测模型，但是随着数据类型的增多和复杂度的提升，特征工程的建立变得更加困难，从而直接影响模型最终的预测效果。卷积神经网络是一种仿造生物的视觉机制构建的多层神经网络结构，在图像处理、语音识别等领域已经取得了成功的应用。卷积神经网络具有从数据中自动提取高维度特征并实现分类预测的功能，解决了复杂数据的特征提取问题，同样可以应用于逾期还款概率预测领域。因此本文引入卷积神经网络模型对用户逾期还款概率进行预测并与传统机器学习预测方法进行比较。本文主要的研究工作如下： (1)结合分期购物网站的用户数据，提出了基于改进的卷积神经网络的逾期还款概率预测模型，将用户数据分为基本信息数据和时序数据，分别构建子卷积神经网络对其进行特征提取，有效避免了大规模构建人工特征的问题，节约了人工和时间成本，最后建立了与传统机器学习模型的对比实验。实验结果表明，改进的卷积神经网络模型在省略特征工程的前提下，与传统机器学习中的XGBoost模型预测效果相当。 (2)为了进一步提高预测准确度和解决卷积神经网络模型难以调整的问题，使用集成学习stacking方法将改进的卷积神经网络模型和XGBoost模型进行融合形成CNN-XGBoost模型，将卷积神经网络自动提取高维度特征的优点与XGBoost强大的分类预测能力相结合，建立模型并实现了对用户逾期还款概率的预测。通过与现有模型的实验对比，CNN-XGBoost模型取得了更好的预测效果。 (3)以真实的分期购物网站用户数据为背景，设计并实现了分期购物用户逾期还款概率预测系统。

目录

声明

第一章、 绪论

1.1研究背景及意义

1.2 国内外研究现状

1.2.1 个人逾期还款概率预测研究现状

1.2.2 卷积神经网络的研究现状

1.3 主要研究内容及创新点

1.4 论文的结构

第二章、深度学习与机器学习相关技术

2.1人工神经网络

2.1.1 神经元

2.1.2 BP神经网络

2.2 深度学习

2.2.1 循环神经网络

2.2.2 卷积神经网络

2.3 传统机器学习模型

2.3.1 逻辑回归

2.3.2 决策树算法

2.3.3 朴素贝叶斯分类算法

2.3.4 XGBoost模型

2.4 本章小结

第三章、基于卷积神经网络的分期购物用户逾期还款概率预测

3.1数据描述与分析

3.1.1数据描述

3.1.2数据分析及处理

3.2改进的卷积神经网络模型的提出

3.2.1 卷积神经网络结构的设计

3.2.2 softmax分类器

3.2.3防止过拟合Dropout方法

3.2.4 batch归一化层

3.2.5 激活函数的选取

3.2.6模型训练

3.3实验部分

3.3.1实验环境

3.3.2 分类评价指标

3.3.3 卷积神经网络优化效果

3.3.4对比实验

3.3.5结果分析

3.4 本章小结

第四章、基于CNN-XGBoost模型的分期购物用户逾期还款概率预测

4.1 stacking集成学习模型设计

4.1.1集成学习

4.1.2 Stacking模型

4.2 基于CNN-XGboost的用户逾期还款概率预测模型的提出

4.2.1 CNN-XGBoost模型结构设计

4.2.2模型训练

4.3实验部分

4.3.1实验简介

4.3.2实验结果分析

4.4 本章小结

第五章 分期购物用户逾期还款概率预测系统的设计与实现

5.1系统概述

5.2系统总体设计

5.3系统模块功能实现

5.3.1 用户登录模块

5.3.2 数据导入模块

5.3.3 数据统计模块

5.3.4 模型预测模块

5.3.5 预测结果保存模块

5.4本章小结

第六章、总结与展望

6.1 本文总结

6.2 未来展望

参考文献

攻读硕士期间发表及取得的研究成果

致谢