基于选择性集成算法的网贷个人信用评分模型研究

摘要

随着小额消费信贷和互联网金融的发展，P2P网贷行业迅猛发展，已达万亿市场，网贷平台无需抵押，供借款人发布借款标及理财者投资，目前个人信用观念极弱，信息不对称、逆向选择导致的违约情况严重，因此，网贷信用评价至关重要，信用评分旨在利用个人信用相关数据对是否违约进行判断，提前预测借贷者的信用情况，决定是否借款，可以减少平台的违约率，也能促进国民信用意识的提高。然而网贷个人评价指标体系不够完善，特别是互联网金融信息、社交信息没有考虑在内，另外评价模型准确性及稳定性有待提高。目前以数理统计、人工智能方法（神经网络、随机森林、SVM）为基础的单一模型、集成模型存在着诸多问题，包括误判率高、不稳定、泛化能力弱、计算所需空间和成本高。
　　针对上面提到的问题，本文提出评分模型系统性优化方案，重点进行指标体系的完善及评分模型的构建优化。其一，首先梳理分析传统的个人信用评价指标体系，初步构建符合网贷特点的指标体系，再基于逻辑回归方法，计算指标的WOE、Ⅳ值，进行显著性分析，科学合理的确定指标体系。其二，构建基于选择性集成方法的模型，首先选择准确率达标的分类器，计算Q统计差异量，确定最终的基分类器，然后引入选择性集成算法，异构一定数量的分类器集，选择最优的子集集成模型，构建基于方向排序法选择性集成模型(OO)、基于模糊聚类分簇法选择性集成模型(FCM-CFP)，其三，最后利用融360平台、人人贷的数据进行实验，从准确率、基分类器规模、计算时间三个维度对两个模型进行比较分析，另外也与单一模型和集成模型进行对比分析。
　　实验结果表明，两个模型各有优劣势。选择性集成模型预测性能都最好、排序法模型计算时间更短，分簇法由于保持更好的差异性，稳定性更好。上述两个模型与单一模型、集成模型相比，基分类器数量较多，但评分精度，稳定性、泛化性能更高。

目录

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 信用评分方法研究现状

1．2．2 集成方法研究现状

1．3 本文研究内容结构与创新点

1．3．1 本文的工作

1．3．2 论文结构

1．3．3 论文创新点

1．4 本章小结

第2章 相关概念与理论分析

2．1 个人信用评分概念

2．1．1 个人信用评分

2．1．2 网贷个人信用评分

2．2 信用评分系统优化方案

2．3 本章小结

第3章 网贷信用评价指标体系构建

3．1 P2P网络借贷行业发展现状

3．2 借款人信用风险影响因素分析

3．3 网贷信用评价指标体系研究现状及不足

3．4 指标体系的设计与优化

3．4．1 评价指标体系的设计

3．4．2 指标体系的优化

3．5 本章小结

第4章 选择性集成模型的构建

4．1 选择性集成算法的原理及适应性分析

4．2 基于Q统计法基分类器的选择

4．2．1 Q统计法原理

4．2．2 基分类器的选择

4．3 基于选择性集成算法的模型构建

4．3．1 基于OO排序法选择性集成

4．3．2 基于FCM-CFP分簇法选择性集成

4．4 本章小结

第5章 基于选择性集成算法模型实证分析

5．1 样本数据与预处理

5．1．1 数据描述

5．1．2 数据清洗

5．1．3 数据标准化处理

5．2 建模样本与检验样本的构造

5．3 基分类器的异构

5．4 基分类器的选择性集成

5．5 实证结果分析

5．5．1 实验环境

5．5．2 指标体系合理性分析

5．5．3 选择性集成模型之间比较分析

5．5．4 选择性集成模型的优势分析

5．6 本章小结

6．1 总结

6．2 展望

参考文献

致谢

附录

声明