基于集成学习的P2P网贷违约客户识别实证研究.pdfVIP

基于集成学习的P2P 网贷违约客户识别 摘 要 随着互联网的飞速发展，传统的金融业受到冲击，这样的大环境促使了P2P 网 络借贷平台的诞生，用户无需通过中介机构来进行借贷，直接通过互联网实现个人 对个人的实行借贷行为。P2P 网络借贷平台面向对象比较广泛，要求不高，操作便 捷，越来越多的人选择在P2P 平台进行借贷，但是随之而来的问题也逐渐开始显现。 由于信息的不对称，P2P 网络借贷平台很难全面掌握用户的资料，信用评估困难重 重，借贷门槛低、客户资料不全面、贷款金额少、违约情况多等现象加大了进行信 用评估的难度，由于借款客户每天的交易数据量巨大，传统的信用评估方式已经不 适用，建立一个更高效、更精准、更客观、更低成本的信用评估系统成为难题。 本文以2019 年上半年Lending Club 的用户数据为研究样本，以违约客户识别 算法为研究对象，研究内容主要分为五个部分，第一，交代论文的研究背景以及研 究的意义，总结国内外学者在P2P 借贷平台违约影响因素和违约预测模型上的研究 现状，介绍论文的研究框架；第二，介绍P2P 网络借贷相关研究，总结P2P 网络借 贷平台在中国经历的各个阶段和运营模式，归纳了P2P 网络借贷的主要风险，简述 分类问题及集成学习不同结合策略，并详细介绍XGBoost 算法、随机森林算法、投 票分类算法和算法评价指标；第三，对数据进行统计分析和数据预处理；第四，运 用XGBoost、随机森林、投票分类算法进行实证分析，并与其他算法进行比较、打 分；第五，总结研究成果，提出相关建议。 研究结果表明：在违约影响因素方面，职业、年收入、工作年限、贷款金额、 贷款目的、住房拥有状态等特征变量均对客户违约风险有一定的影响，“过去12 个 月开设的循环贸易数目”、“贷款利率”、“抵押账户数”、“当前活跃的交易数 量”等经济行为的特征贡献度比较高，在违约客户识别模型中起到非常重要的作用； 在违约识别算法方面，F1 得分最高的是随机森林算法（0.92955 ），查全率最高的是 K 近邻算法（0.96624 ），查准率最高的是XGBoost 算法（0.99157 ），AUC 值最高的 是随机森林算法（0.97820 ）。综合评分最高的是随机森林算法，第二为XGBoost 算 法，第三则为投票分类算法。集成学习器性能要远远优于个体学习器，但整体运算 时间较长，调参有一定难度，成本较高。 根据研究成果，提出如下建议：1、完善网贷平台风险控制，科学评估客户违约 风险；2 、健全客户信用审核机制，加快全社会征信步伐；3、加强P2P 行业管理， 完善互联网金融的法律规范；4 、紧跟国内互联网金融政策，明确发展方向。 关键词：P2P 网络借贷；违约客户识别；集成学习； 1 基于集成学习的P2P 网贷违约客户识别 目录 第一章 引言1 第一节 研究背景与研究意义 1 一、研究背景 1 二、研究意义2 第二节 国内外文献综述 3 一、P2P 网贷违约影响因素3 二、P2P 网贷违约预测模型5 第三节 论文研究框架 7 一、研究方法7 二、研究内容8 三、创新和不足8 第二章 P2P 网贷平台及模型理论介绍 10 第一节 国内P2P 网络借贷发展介绍 10 一、国内发展阶段 10 二、运营模式发展 12 三、P2P 网络借贷平台风险 13 第二节 分类问题及集成学习工作原理简述 14 一、分类问题简述 14 二、集成学习工作原理 15 第三节 集成学习算法介绍 16 一、XGBoost 算法 16 二、随机森林算法 17 三、投票分类算法 17 第四节 模型评价指标 17 一、查准率、查全率与F1 17 二、ROC 曲线与AUC 值 18 第三章 数据统计与预处理19 1 基于集成学习的P2P 网贷违约客户识别 第一节 数据描述性统计 19