2026《互联网金融信用风险实证分析案例》15000字.docxVIP

PAGE

PAGE261

互联网金融信用风险实证分析案例

目录

TOC\o1-3\h\u5795互联网金融信用风险实证分析案例 １

298971.1数值模拟 １

94001.2网络借贷风险信用研究 ５

264891.2.1数据清洗和规范化处理 ６

211161.2.2RF-logistic模型和Lasso-logistic模型的实证结果 ９

140331.2.3基于两步子抽样算法的RF-logistic模型预测结果 １７

72061.3信用卡欺诈风险实证研究 ２５

两步子抽样算法常被应用于大数据处理，抽取的样本具有良好的性质。本章首先从两步子抽样算法的精度和时间成本出发，以数值模拟的方式，将两步子抽样算法和全样本、简单随机抽样方法进行比较；其次将两步子抽样算法应用于网络借贷数据，并对其预测效果进行分析。在建立模型的过程中，由于网络借贷数据自变量数较多，因此分别采用随机森林算法和Lasso筛选重要变量后建立logistic模型；最后将两步子抽样算法应用于信用卡欺诈风险的研究，该数据集的变量较少，不需要进行变量选择，直接采用logistic回归模型对是否发生信用卡欺诈进行预测。

卓丽洪(2020)[43]指出互联网金融领域最具有代表性的是网络借贷行业，尽管中国网络借贷平台正式清零，但是作为一种新型的借贷平台，对此展开研究能够为今后针对新兴互联网金融业态的风险监管提供较为深入的实证依据。近年来，国内对互联网金融信用风险管控越来越严格，许多互联网金融平台个数显著减少，其存储的借贷数据量越来越少，数据质量较差，因此本文以美国LendingClub网络借贷数据和信用卡欺诈数据作为研究基础，研究将两步子抽样方法应用到互联网金融信用风险识别的具体情形。

1.1数值模拟

为了将两步子抽样算法引入互联网金融风险的预测中，本文首先对模拟产生四种分布的数据，将该算法与简单随机抽样算法对比，检验该算法的精度和时间成本。为了保证结果的可靠性，程序均在Windows10，i5处理器，4G内存的笔记本电脑设备上运行。假定模型中的因变量有两个取值，分别为0和1；为自变量，是一个3维变量；的真值为；本文针对的不同分布，模拟的数据集，其中表示产生的数据量。具体地说，本文考虑以下情况：

(1)令表示正态分布的数据集，假定，其中为3阶单位阵，所有样本的因变量中，0和1的比例约为1:1；

(2)令表示t分布的数据集，假定，所有样本的因变量中，0和1的比例约为1:1；

(3)令表示指数分布的数据集，假定，所有样本的因变量中，0和1的比例约为1:3.7；

(4)令表示正态分布的数据集，假定，所有样本的因变量中，0和1的比例约为1:1。

为了评估第二次抽样的样本量对两步子抽样算法的影响，本文固定第一次抽样的样本量，改变第二次抽样的样本量，重复执行次。由于资源有限，无法利用现有的计算机得到1000次的预测结果，因此以模型参数的平均均方误差表示模型的精度，总CPU运行时间表示算法的时间成本，对分布(1)、(2)、(3)、(4)采用不同的抽样方法建立logistic回归模型，并进行比较。平均均方误差在一定程度上反映了抽样后求解的参数与全样本下参数的差别，总CPU运行时间是指该程序运行1000次的所占用的时间，在一定程度上代表了该程序的运行效率。具体结果如图1.1所示。图例中uniform表示简单随机抽样，mMSE表示第二步入样概率为的两步子抽样算法，mVC表示第二步入样概率为的两步子抽样算法。

正态分布

t分布

指数分布

混合正态分布

图1.1不同分布下各抽样算法的平均均方误差和总CPU运行时间

图1.1中(a)~(d)分别表示在(1)~(4)中提出的正态分布、t分布、指数分布和混合正态分布下，固定第一次抽样的样本量改变第二次抽样的样本量时，的平均均方误差和总CPU运行时间。

由图1.1可知，对于这四个分布，总体上随着第二次抽样的样本量的增加，平均均方误差呈下降趋势，CPU运行时间呈上升趋势。两步子抽样算法在(1)~(4)的四种分布中，的均方误差都小于简单随机抽样，这说明，两步子抽样算法与简单随机抽样方法相比更接近全样本的精度；在CPU运行时间上，利用分布(1)~(4)产生的所有数据建立logistic回归模型并估计参数的时间分别为678.11秒、736.44秒、719.19秒、607.53秒，两步子抽样算法的CPU运行时间均小于利用所有数据的CPU运行时间，这充分体现了两步子抽样算法在时间成本上的优点。

服从不同分布的数据结果具有相似性。第一，两种两步子抽样算法的均方误差相差较小；第二，与全样本相比，两步子抽样算法节约了运行时间。对每个分布具体分析，可以得出结论：当数据服从正态分布时，由图(