基于受限波兹曼机特征提取的互联网贷款申请评分模型

摘要

作为互联网金融当中最热门最活跃的领域，P2P网贷发展速度非常之快。截止2016年8月底，我国线上P2P网贷平台数量为2235家，投资人数至351.80万人，借款人数达到了135.31万人，历史累计成交量为25815.09亿元。其中8月份的单月整体成交量达到1910.30亿元，新上线平台40家。但是在同样的当月内，停业平台57家，问题平台42家，停业平台超过了新上线平台。而累计问题平台数更是达到了1978家。这表明在P2P网贷这种公司成立门槛较低的行业，风控体系还很不完善，这将给社会和广大投资者带来巨大的风险和损失。因此，投资人和平台公司需要更好的工具用以有效识别平台和项目风险。
　　P2P模式最早诞生于英美，它的发展主要依据两个重大条件，一是互联网技术使得交易效率提高;二是征信数据的广泛适用及覆盖。一方面，作为互联网公司，P2P平台公司较传统行业在数据获取方面具有更低成本和更大容量的优势;基于现下流行的Hadoop，Spark等开源大数据处理技术，也可以实现数据高效处理;另一方面，互联网金融公司的数据仓库中保存有大量不属于传统金融机构数据采集范畴（例如网页表单访问记录）的字段，并且更倾向于大批量轻量级贷款，传统的风控模型往往没有足够令人满意的表现。
　　为此，本文提出使用基于受限波兹曼机(RBM)模型的特征工程方法，不依赖专家经验，更好地提取征信数据库中的信息提升模型精度。本文实践表明，RBM是一种有效的特征提取方法，用于评分模型的特征提取可明显提高模型精度。

目录

摘要

第1章 绪论

1．1 研究背景

1．2 研究目的和意义

1．3 研究内容、方法和结构

1．4 本文的主要贡献

第2章 相关理论和文献综述

2．1 文献综述

2．1．1 受限波兹曼机

2．1．2 信用评分模型

2．2 相关理论

2．2．1 申请评分模型

2．2．2 Elastic-Net回归模型

2．2．3 受限波兹曼机(RBM)

第3章 RBM模型构建与参数估计

3．1 受限波尔兹曼机(RBM)的基本模型

3．2 基于对比散度的RBM快速学习算法

3．2．1 梯度计算公式

3．2．2 对比散度算法

3．3 ImM模型的参数设置

3．3．1 权重和偏置的初始值

3．3．2 权重和偏置的初始值学习率和动量学习率

3．3．3 Gibbs采样

3．4 RBM的评估

第4章 申请评分模型的建立

4．1 数据预处理

4．1．1 数据获取与准备

4．1．2 特征离散化

4．1．3 WOE编码

4．2 模型训练

4．2．1 Elastic-Net-Logistic模型

4．2．2 RBM模型

4．2．3 RBM-Logistic模型

4．2．4 模型评价

第5章 总结与不足

5．1 本文的主要结论

5．2 本文的不足

致谢

参考文献

声明