基于多个分类模型的P2P借款人信贷风险评估研究

摘要

近年来，我国互联网金融发展迅速，P2P网络借贷作为其中的一种重要模式也得到了快速发展。区别于传统的银行借贷和民间借贷，P2P网络借贷打破了传统金融机构对于融资对象、融资渠道和融资来源的垄断，也解决了民间点对点借贷面临的受限于地域范围，需求匹配难和风险高的缺点，使供求双方可以通过网络平台直接进行对接，能够充分利用社会闲置资金，促进利率的市场化，提高社会资源配置效率。而如今P2P网贷正在从规范化向专业化过渡，借贷资金的安全保障及借贷行为的风险控制越来越被重视。
　　本文基于多个分类模型对P2P借款人信贷风险进行了研究，首先对各个分类模型的理论进行阐述;然后，对数据集进行细致的预处理，为后续建模工作做准备;接着分别运用逻辑回归、随机森林、GBDT及三者的模型组合对借贷行为做风险评估和预测;最后就各模型对借款人的信贷风险评估效果做相关的评价和总结。
　　本文基于美国最大的P2P网络借贷公司Lending Club近两年的借贷数据进行研究和分析，研究发现应用集成学习进行模型融合，对信贷风险的评估和控制具有较好的效果。同时，本文建议推进国内征信系统的规范化，以及多个征信系统数据的互联互通，为个人信用评估提供更加可靠的数据支撑。此外本文的研究还可以作为国内P2P网络借贷平台或者是资金出借方对借贷风险评估的参考方法。

目录

摘要

第一章 绪论

第一节 研究背景与研究意义

一、研究背景

二、研究意义

第二节 主要内容与研究方法

一、主要内网容吞

二、研究方法

第三节 P2P信用评估研究综述

一、国外研究现状

二、国内研究现状

三、研究述评

第四节 可能的创新点

第二章 相关概念及理论基础

第一节 相关概念界定

一、P2P网络借贷风险的界定

二、信用评估的界定

第二节 逻辑回归理论概述

第三节 随机森林算法概述

第四节 GBDT算法概述

第五节 模型组合理论概述

第三章 数据预处理

第一节 数据清洗

一、数据的重复性及一致性检查

二、冗余变量处理

三、低信息变量处理

四、高比例缺失变量处理

第二节 数据降维

一、基于平均精确率减少的特征选择

二、相关性检验

一、缺失值填补

二、异常值处理

三、基于WOE编码

四、归一化处理

五、非平衡数据处理

第四章 P2P借款人信贷风险评估实证研究

第一节 模型评价指标

二、精确率及召回率

三、ROC曲线及AUC值

第二节 单一模型实证

一、逻辑回归实证

二、随机森林实证

三、GBDT模型实证

第三节 组合模型实证

一、并行组合模型

二、串行组合模型

第四节 模型评价及对比

第五章 结论与不足

第一节 全文总结

第二节 研究不足

参考文献

附录

致谢

声明