基于客户细分的大学生网贷项目信用风险的识别与度量

摘要

P2P小额借贷模式近几年来发展迅速，截至2016年11月底，我国正常运营的P2P网贷平台数量高达2534家，行业竞争愈演愈烈，行业市场也开始出现细分。在众多的细分市场中，大学生P2P网贷发展迅猛，独树一帜。大学生相对于其他网贷借款人，有着身份易认证、违约成本高、父母为其潜在担保等优势，信用风险相对较小。但是，由于网贷简单便捷导致冲动消费、大学生没有固定的经济来源、征信意识不强等原因，大学生网贷平台上仍存在大量的逾期违约现象。
　　本文主要是策划与实施一个大学生网贷项目信用风险识别与度量方案。本方案实施与验证均是基于“速溶360”平台项目信息。本方案实施主要包含4个步骤:首先，基于客户细分理论，分别从新老客户、借款者学历两个方面对大学生网贷项目进行分类，利用两步聚类法根据借款者学历将人群分为了3类:高学历人群、普通人群以及低学历人群;其次，针对每个类群项目，利用特征选择方法，进行降维处理，提高了后续方法的准确性与稳定性;然后，利用XGBoost算法，对每个类群的网贷项目信用风险进行识别，结果显示，该算法在信用风险识别上的运用效果很好，准确率很高;最后，利用XGBoost模型结果与评分卡模型对网贷项目的信用风险进行度量并检验结果的有效性。
　　本方案的实施效果很好，符合预期，是一个较好的信用风险识别方案。此外，本方案的设计与实施，不仅为网贷项目信用风险识别提供了一种新的思路，也验证了XGBoost模型在信用风险识别问题上的有效性。

目录

摘要

第1章 绪论

1．1 研究背景

1．2 研究目的与意义

1．2．1 研究的目的

1．2．2 研究的意义

1．3 研究内容与方法

1．3．1 研究内容

1．3．2 研究方法

1．4 本文的主要贡献

2．1 文献综述

2．1．1 信用风险识别研究相关文献

2．1．2 P2P网贷研究相关文献

2．1．3 文献评述

2．2 相关理论

2．2．1 信息不对称理论

2．2．2 XGBoost算法

第3章 大学生网贷信用风险问题描述与分析

3．1 大学生网贷信用风险概述

3．2 大学生网贷信用风险问题分析

3．2．1 偏重计量分析的定量方法

3．2．2 人工智能方法

3．3 小结

第4章 大学生网贷项目信用风险识别方案理论框架

4．1 客户细分

4．2 特征选择

4．3 信用评分卡

4．4 方案策划总体框架

第5章 大学生网贷项目信用风险识别模型

5．1 大学生网贷项目数据基本特征

5．1．1 数据来源

5．1．2 数据预处理

5．1．3 数据描述性统计

5．1．4 特征选择

5．2 基于Logistic模型的大学生网货项目信用风险识别

5．2．1 模型结果分析

5．2．2 预测效果

5．3 基于SVM模型的大学生网贷项目信用风险识别

5．4 基于XGBoost模型的大学生网贷项目信用风险识别

5．4．1 模型参数选择

5．4．2 模型结果分析

5．4．3 预测效果

5．5 模型比较

5．6 小结

第6章 基于客户细分的网贷项目信用风险识别方案设计

6．1 基于新老客户细分的网贷项目信用风险识别

6．1．1 新老客户细分结果

6．1．2 新客户人群网贷项目风险识别

6．1．3 老客户人群网贷项目风险识别

6．2 基于学历细分人群的网贷项目信用风险识别

6．2．1 基于学历细分结果

6．2．2 高学历人群网贷项目风险识别

6．2．3 普通人群网贷项目风险识别

6．2．4 低学历人群网贷项目风险识别

6．3 小结

第7章 大学生网贷项目信用风险度量方案

7．1 XGBoost模型度量方案

7．2 评分卡模型度量方案

7．2．1 变量筛选

7．2．2 WOE转换

7．2．3 Logistic回归

7．2．4 评分卡的创建

7．3 信用评分卡有效性检验

7．4 其他人群网贷项目信用风险的度量结果

第8章 结论

8．1 本文结论

8．2 不足与展望

参考文献

附录

致谢

声明