發(fā)布時(shí)間：2020-07-13 22:59

【摘要】：作為普惠金融的重要組成,P2P網(wǎng)貸依靠其便捷、高效、投資門檻低等特點(diǎn)在個(gè)人貸款和小微企業(yè)融資方面發(fā)揮了重要作用。但事物皆有兩面性,P2P網(wǎng)貸在迅猛發(fā)展的同時(shí),也面臨了重大的信用風(fēng)險(xiǎn),尤其在當(dāng)下監(jiān)管趨緊、打破剛性兌付成趨勢(shì)的現(xiàn)實(shí)情況下,如何從根源把控借款人信用風(fēng)險(xiǎn)對(duì)P2P平臺(tái)方來說顯得愈加重要。個(gè)人信用風(fēng)險(xiǎn)評(píng)分是有效識(shí)別并降低信用風(fēng)險(xiǎn)的決定性因素,而決策樹分類模型依靠其分類精度高、易于實(shí)現(xiàn)的優(yōu)點(diǎn)被廣發(fā)應(yīng)用于個(gè)人信用評(píng)分領(lǐng)域。文章選取國(guó)內(nèi)網(wǎng)貸平臺(tái)純信用標(biāo)的借款數(shù)據(jù)作為研究對(duì)象,運(yùn)用最新的決策樹分類模型C5.0算法對(duì)借款人信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)評(píng)估。在實(shí)際評(píng)分工作中,有所謂“垃圾進(jìn)去,垃圾出來”,即評(píng)分?jǐn)?shù)據(jù)對(duì)評(píng)分預(yù)測(cè)結(jié)果影響重大,文章依據(jù)5C+1S方法對(duì)網(wǎng)貸平臺(tái)借款人數(shù)據(jù)進(jìn)行分類、構(gòu)建信用評(píng)分指標(biāo)體系,同時(shí)對(duì)類別字段進(jìn)行了屬性合并,并對(duì)類別字段取值進(jìn)行了合理降維處理,以達(dá)到精簡(jiǎn)模型和防止過度擬合的效果。實(shí)證研究結(jié)果表明,進(jìn)行數(shù)據(jù)處理后的訓(xùn)練樣本分類預(yù)測(cè)精度下降控制在了 1%以內(nèi),而測(cè)試樣本的分類預(yù)測(cè)精度提高了 3.16%。在模型優(yōu)化改進(jìn)方面,文章引入誤判成本及誤判矩陣,通過提高第二類錯(cuò)誤的誤判成本,達(dá)到降低第二類錯(cuò)誤率的目的,這也符合實(shí)際評(píng)分工作中的具體情況。實(shí)證研究表明,在確定合理的誤判成本矩陣之后,雖然測(cè)試樣本集第一類錯(cuò)誤率增加了 2.93%,但對(duì)實(shí)際評(píng)分中損失影響更大的第二類錯(cuò)誤率下降了 7.35%。根據(jù)最終的決策樹C5.0模型所輸出了各變量重要性結(jié)論,文章有針對(duì)性地提出了相關(guān)建議。即P2P平臺(tái)方應(yīng)在加強(qiáng)自身信用風(fēng)險(xiǎn)控制能力的同時(shí),將對(duì)接央行征信與第三方征信合理結(jié)合,并采用大數(shù)據(jù)征信擴(kuò)大對(duì)借款人信用審核的維度以及深度。
【學(xué)位授予單位】：天津財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F832.4;F724.6
【圖文】：

（不授信邋ｊ邐（ｍｍｊ逡逑圖２．邋３決策樹分類學(xué)習(xí)方法舉例逡逑資料來源：作者整理逡逑圖２．邋３是一顆典型的決策樹，用于根據(jù)貸款申請(qǐng)人的各項(xiàng)信息來決定是否對(duì)改貸款人逡逑進(jìn)行放貸，其中表示類別屬性的內(nèi)部節(jié)點(diǎn)用矩形表示，用以分類的葉節(jié)用楠圓來表示。若逡逑貸款人擁有擔(dān)�；虻盅�，則對(duì)其進(jìn)行授信放貸，如果該借款人沒有抵押或擔(dān)保，且月收入逡逑１６逡逑

重要性指標(biāo)越大，該類別屬性便越重要，分析變量重要性，可以為Ｐ２Ｐ網(wǎng)貸平臺(tái)控制信用逡逑風(fēng)險(xiǎn)提供合理建議。逡逑由最終決策樹模型輸出的變量重要性如圖４．邋２所示，排名依次為：借款利率（０．邋１９２３）、逡逑借款期限（０．１５２２）、歷史違約記錄（０．１２９６）、工作時(shí)間（０．０９３４）、信用認(rèn)證（０．０６８９）、公逡逑司所處產(chǎn)業(yè)類型（０．０６８１）、收入水平（０．０６１１）、房產(chǎn)（０．０５４３）、性別（０．０５３２）、工作類別逡逑（０．０５２２）、婚姻狀況（０．０２２１）、借款金額（０．０２１１）、車產(chǎn)（０．０１１１）、借款目的（０．０１０２）、逡逑工作地點(diǎn)（０．０１０２）。逡逑變Ｍｉｆｉ要性逡逑０．２５００逡逑０．２０００逡逑０．１５００邐｜邐＾逡逑：：１邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邋Ｉ邐逡逑＾邐ｖ邋ｘ邐ｖ：邐＊＼＾ｖ逡逑＇、Ｖ＇邋念？、含＼邐、ｒ邋ｃ邐＇、．《、令．、邐、ｔ、．邋＼逡逑，、＇二逡逑Ａｓ逡逑圖４．２各屬性變量重要性逡逑從圖中可以看出對(duì)模型影響最大的是借款利率指標(biāo)，同時(shí)在借款利率也是所有字段中逡逑信息增益率最大的屬性，這也充分說明了借款利率指標(biāo)與違約情況關(guān)聯(lián)十分高，由于文章逡逑所選取的實(shí)證數(shù)據(jù)均為信用標(biāo)的借款，借款人在發(fā)布了借款標(biāo)的之后，由投資人依據(jù)其在逡逑平臺(tái)留下的各個(gè)維度的基本信息來判斷是否對(duì)其進(jìn)行投資，如果投資人認(rèn)為某個(gè)借款人未逡逑來違約風(fēng)險(xiǎn)較大，則該筆借款標(biāo)的便為成為流標(biāo)，如果借款人還想獲得借款便需要繼續(xù)重逡逑新發(fā)布借款信息，在此過程中借款人也在不斷調(diào)整借款利率，所以最終的借款利率數(shù)據(jù)也逡逑是借款人和資金端投資人相互博弈的結(jié)果

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 田婕;;打開信用評(píng)分市場(chǎng)大門[J];金融電子化;2006年05期

2 吳潔;信用評(píng)分技術(shù)在中小企業(yè)貸款中的應(yīng)用[J];現(xiàn)代金融;2005年08期

3 韓茜;任麗蓉;劉道瞳;千夢(mèng)強(qiáng);楊天尊;郭凱;;基于大數(shù)據(jù)的個(gè)人信用評(píng)分發(fā)展新趨勢(shì)[J];創(chuàng)新科技;2018年02期

4 李延?xùn)|;鄭小娟;;信用評(píng)分卡體系的發(fā)展及應(yīng)用[J];青海金融;2016年06期

5 潘勇;;逆向選擇視角下信用評(píng)分機(jī)制與擔(dān)保機(jī)制的效用研究——基于淘寶網(wǎng)的案例分析[J];商業(yè)經(jīng)濟(jì)與管理;2013年06期

6 李延?xùn)|;鄭小娟;;信用評(píng)分卡體系的發(fā)展及應(yīng)用[J];甘肅金融;2016年03期

7 宋哲;宋文祥;;個(gè)人信用評(píng)分:不可忽視的“信譽(yù)財(cái)富”[J];當(dāng)代金融家;2016年08期

8 林治乾;嚴(yán)志輝;;信用評(píng)分卡在中小企業(yè)貸款業(yè)務(wù)中的應(yīng)用[J];銀行家;2013年02期

9 黎玉華;;信用評(píng)分卡模型的建立[J];科技信息;2010年13期

10 林治乾;張鵬逸;崔紫瑩;;中小企業(yè)信用評(píng)分卡系統(tǒng)的構(gòu)建與實(shí)施[J];銀行家;2013年07期

相關(guān)會(huì)議論文 前1條

1 李建平;潘若愚;李軼琳;;一種簡(jiǎn)單而有效的信用評(píng)分方法[A];2004年中國(guó)管理科學(xué)學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 葉大清 李英浩;信用評(píng)分:數(shù)據(jù)、技術(shù)和應(yīng)用[N];金融時(shí)報(bào);2014年

2 趙寧;“個(gè)人信用評(píng)分”是怎么回事[N];檢察日?qǐng)?bào);2000年

3 中國(guó)金融電子化公司信用評(píng)分工作小組;信用評(píng)分如何實(shí)現(xiàn)本土化[N];金融時(shí)報(bào);2006年

4 田婕;美國(guó)信用評(píng)分應(yīng)用的做法與經(jīng)驗(yàn)[N];金融時(shí)報(bào);2006年

5 于津生;信用評(píng)分方法的技術(shù)基礎(chǔ)[N];金融時(shí)報(bào);2006年

6 經(jīng)濟(jì)法學(xué)者 王立;市場(chǎng)化個(gè)人信用評(píng)分工具的“軟約束”[N];上海證券報(bào);2018年

7 李銘;通用信用評(píng)分在美國(guó)市場(chǎng)的應(yīng)用[N];金融時(shí)報(bào);2014年

8 深圳商報(bào)記者 吳玉函;信用評(píng)分或影響婚戀交友[N];深圳商報(bào);2015年

9 記者 童芬芬;民營(yíng)征信開推個(gè)人信用評(píng)分[N];中華工商時(shí)報(bào);2015年

10 深圳商報(bào)記者 李欽;深圳給600萬市民評(píng)信用等級(jí)[N];深圳商報(bào);2005年

相關(guān)博士學(xué)位論文 前4條

1 陳昊潔;基于選擇性集成算法的個(gè)人信用評(píng)分方法研究[D];哈爾濱工業(yè)大學(xué);2016年

2 劉_";信用評(píng)分理論與應(yīng)用研究[D];湖南大學(xué);2010年

3 向暉;個(gè)人信用評(píng)分組合模型研究與應(yīng)用[D];湖南大學(xué);2011年

4 陳為民;基于支持向量機(jī)的信用卡信用風(fēng)險(xiǎn)管理模型與技術(shù)研究[D];湖南大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 張澤偉;基于決策樹C5.0算法的P2P平臺(tái)個(gè)人信用評(píng)分研究[D];天津財(cái)經(jīng)大學(xué);2018年

2 黃日康;基于XGBoost算法的個(gè)人信用評(píng)分方案策劃[D];上海師范大學(xué);2019年

3 盧嬋;寧夏小微企業(yè)信用評(píng)分問題研究[D];東北大學(xué);2015年

4 李昕;拒絕推斷在信用評(píng)分卡模型中的應(yīng)用[D];重慶大學(xué);2018年

5 沈一;基于小額貸款的信用評(píng)分堆疊模型研究與應(yīng)用[D];天津商業(yè)大學(xué);2018年

6 楊靜;信用評(píng)分卡的建立與應(yīng)用[D];天津商業(yè)大學(xué);2018年

7 雒航通;基于DBN的改進(jìn)深度學(xué)習(xí)模型及應(yīng)用研究[D];西安理工大學(xué);2018年

8 張婷婷;Logistic回歸及其相關(guān)方法在個(gè)人信用評(píng)分中的應(yīng)用[D];太原理工大學(xué);2017年

9 楊志群;消費(fèi)信貸中的個(gè)人信用評(píng)分研究[D];湖南大學(xué);2011年

10 張飛;個(gè)人信用評(píng)分組合模型研究[D];電子科技大學(xué);2015年

本文編號(hào)：2754101