基于贷款人视角的互联网金融信用风险分级研究

摘要

为提升互联网金融行业贷款人决策的直观性与层次性,提出一种信用分级模型.对历史样本的信用评价指标进行主成分分析,提取关键信息.利用Logit回归模型得到"是否违约"和"评价指标主成分"的关系,依据回归方程所得的"违约概率"对借款人进行信用分级.采用遗传模拟退火算法(GSAA)改进的BP神经网络,学习"等级"和"评价指标"间的映射规则.利用Kaggle网站信用数据集进行实验,结果表明,Logit回归结果可信度高,"依概率分级"区分度高,GSAA算法可有效提升BP神经网络的精准分级率.分级模型在测试样本上的可信度为99.02％,优于二值分类和指标赋权模型,可有效降低贷款人资金风险,推动互联网金融行业高质量发展.