基于数据挖掘技术的P2P个人信用风险评估模型优化

摘要

随着P2P借贷业务在我国飞速发展，众多P2P平台出现了坏账率过高甚至平台跑路的现象，这些现象的出现是由于P2P平台没有对投资者个人信用风险有效评估造成的。当前P2P平台使用的个人信用风险评估模型主要是基于单一模型所构建的，分为以逻辑回归模型为代表的传统模型信用风险模型和以决策树等机器学习为代表的新兴传统模型，但前者有着模型精度不足等问题，后者有着模型稳定性不高等问题。鉴于此问题，本文通过数据挖掘技术，探究P2P个人信用风险模型的优化。 本文通过“宜人贷”平台的11017条借贷数据，在进行数据预处理和变量分析之后得到9206条借贷数据和110个借贷变量，对逻辑回归模型、SVM类模型和决策树类模型分别进行模型训练。通过模型预测后，将模型训练效率和模型预测效果的指标进行综合评估，选出模型评估较好的单一数据挖掘模型（XGBoost模型和逻辑回归模型）。在第二阶段，将XGBoost模型和逻辑回归模型进行Stacking模型融合，得到最终的模型优化形式，载进行模型训练和模型预测。完成了数据挖掘技术对P2P个人信用风险评估模型的优化。 通过本文研究，我们还得到了研究结论和对P2P平台、投资人和监管者的研究启示。

目录

摘要

第1章绪论

1．1研究背景

1．2研究目的和意义

1．2．1研究目的

1．2．2研究理论意义

1．2．3研究现实意义

1．3研究内容、方法和技术路线

1．3．1研究内容

1．3．2研究方法

1．3．3研究技术路线

1．4本文的主要贡献

第2章文献综述与相关理论

2．1文献综述

2．1．1数据挖掘行业应用的文献综述

2．1．2数据挖掘在信用风险领域应用的文献综述

2．1．3对已有研究的评价

2．2相关理论简介

2．2．2逻辑回归模型

2．2．3支持向量机模型

2．2．4决策树类模型

第3章P2P个人信用风险评估模型优化的理论框架

3．1 P2P个人信用风险的定义

3．2 P2P个人信用风险的影响因素

3．3 P2P个人信用风险评估模型的效果评估指标

3．3．1模型混淆矩阵

3．3．2模型评估指标体系

3．4 P2P个人信用风险评估模型优化的方法选择

3．4．1子模型选取方法

3．4．2 Stacking模型融合

第4章P2P个人信用风险问题的描述与分析

4．1 P2P个人信用风险现状的描述与分析

4．1．1 P2P个人信用风险发展与现状

4．1．2 P2P个人信用风险现状的成因

4．2 P2P个人信用风险评估模型现状的描述与分析

第5章方案策划设计

5．1数据集准备

5．1．2数据集基本信息

5．1．3数据集的分割

5．2数据集清洗

5．2．1对缺失值的清理

5．2．2对于信息量较低变量的剔除

5．2．3对近零方差变量的剔除

5．2．4对相关系数较低变量的剔除

5．3变量的描述与分析

5．3．1目标变量描述与分析

5．3．2身份信息变量和财产状况变量的描述与分析

5．3．3持卡信息变量和交易信息变量的描述与分析

5．3．4信用历史类变量的描述与分析

5．4 P2P个人信用风险评估模型的构建与优化

5．4．1基于单一模型的P2P个人信用风险评估模型的构建与对比

5．4．2基于Stacking集成学习的P2P个人信用风险评估模型的优化

第6章P2P个人信用风险评估模型优化的论证及实施

6．1数据集的过采样

6．2基于单一模型的PZP个人信用风险的评估模型

6．2．1构建逻辑回归模型并评估

6．2．2构建SVM模型并评估

6．2．3构建决策树类模型并评估

6．2．4单一模型评估效果的对比

6．3基于Stacking集成学习的P2P个人信用风险评估模型

6．4 PZP个人信用风险评估模型优化的效果分析

6．5 P2P个人信用风险评估模型优化的实施

6．5．1模型算法优化的实施

6．5．2模型变量优化的实施

第7章研究结论与研究启示

7．1研究结论

7．1．1多维度数据有助于评估P2P个人信用风险

7．1．2 XGBoost等数据挖掘模型在预测中具有较好的性能

7．1．3 Stacking模型融合方法进一步提高预测效果

7．z研究启示

7．2．1提高P2P平台的风控水平

7．2．2增强P2P投资者的风险意识

7．2．3加强P2P监管者的监管效率

参考文献

附录

致谢

声明