导读:本文包含了个人信用风险评估论文开题报告文献综述及选题提纲参考文献，主要关键词:P2P网络借贷,违约预测,社交信息
个人信用风险评估论文文献综述
牛贝贝,任金政,李晓涛,陈宝珍[1]（2019）在《社交信息能用于个人信用风险评估吗?——来自P2P平台的证据》一文中研究指出文章将通过手机采集的借款人社交信息纳入个人信用风险评估中,分别利用Logistic回归和LightGBM算法进行了实证研究。实证结果表明:社交信息对违约风险具有显着影响;融入社交信息的个人信用风险评估模型表现更优。(本文来源于《管理现代化》期刊2019年05期）
李佳蓉,蒋艳莉,汤礼媛[2]（2019）在《基于BP神经网络的P2P网贷个人信用风险评估》一文中研究指出针对我国日益凸显的P2P网络借贷业务的信用风险控制问题,构建一个有效的P2P网贷借款人的信用风险评估模型,以促进我国P2P网贷行业的可持续发展。通过文献资料收集及分析,选取对借款人信用具有影响的指标并量化,建立P2P网贷借款人的信用评估指标体系,构建基于BP神经网络的信用风险评估模型,通过人人贷平台的相关数据进行仿真,验证模型的有效性。仿真结果表明,该模型适用于P2P网贷借款人信用风险评估。(本文来源于《时代金融》期刊2019年24期）
杨德杰,章宁,袁戟,白璐[3]（2019）在《基于堆栈降噪自编码网络的个人信用风险评估方法》一文中研究指出个人信用历来是银行衡量个人履约风险最重要的因素。近年来,随着我国借贷需求与日俱增,仅依据信用卡信息的传统个人信用评估方式,已不能完全满足银行业的发展需求。因此,为了构建更加丰富的用户信用画像,文中基于银行大数据提取信用风险评估特征。为了解决金融大数据带来的维度灾难和噪声问题,充分考虑了数据特征之间的相关性,对堆栈降噪自编码神经网络模型进行了改进,引入了截断的Karhunen-Loève展开作为噪声传入项,并在某商业银行的大数据平台上进行了一系列数据实验。实验结果显示:相比仅使用信用卡信息,利用银行大数据能使衡量正负样本分离度的指标——K-S值提升约11%;改进的堆栈降噪自编码神经网络方法具有更好的风险评估效果,准确率相比原模型提高了3%左右,验证了在银行大数据环境下进行信用风险评估的有效性。(本文来源于《计算机科学》期刊2019年10期）
赵云[4]（2019）在《基于大数据平台的个人信用风险评估》一文中研究指出互联网金融高速发展为小微企业发展和个体创业提供新的融资渠道。但是,互联网金融正面临着不良贷款余额,不良贷款率激增,以及各种平台倒闭等问题,个人信用风险直接制约着互联网金融发展。基于此,本文基于大数据平台研究个人信用风险评估问题,研究揭示个人信用风险相关因素以及其联系。首先,针对具体实际业务大数据,通过数据分析技术对实际业务大数据进行数据预处理;其次,运用XGBoost模型便捷的构建了互联网金融业务的大数据个人信用风险评估指标体系。该指标体系,具有丰富的评估数据项、静态数据与动态数据相结合、数据来源广和及时性等特点,很好的弥补了经典的个人信用风险评估指标体系人群覆盖率不理想、数据多为静态、数据真实性无法核实等局限;再次,基于大数据指标体系,构建了Logistic+XGBoost的个人信用风险评估模型。该模型可以对特征的重要性和相关性系数进行输出,这些特征解释性较强可以很好的与行业的专业知识进行交叉验证,进一步促进个人信贷业务的完善;最后,以M公司个人信贷业务进行实证分析,并应用提出的个人信用风险管理对策。个人信用风险管理对策分为违约率低风险、违约率中风险、违约率高风险和违约率极高风险四个管理区间。违约率低风险采取加强和持续优化个人信用风险评估模型的管理对策;违约率中风险采取分级审核管理对策;违约率高风险采取风险定价管理对策;违约率极高风险采取贷款分期发放管理对策。M公司实证结果表明,适合应用违约率低风险管理对策,公司还需要继续对大数据风控进行投入。以大数据和人工智能技术为驱动力,更加全面识别个人信用风险,把违约率控制到最小,进而减少违约损失,提高公司盈利能力。本项目研究成果为促进互联网金融行业健康发展提供了理论参考和实践借鉴作用。(本文来源于《南昌大学》期刊2019-05-26）
周潇[5]（2019）在《基于数据挖掘技术的P2P个人信用风险评估模型优化》一文中研究指出随着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。(本文来源于《上海师范大学》期刊2019-04-01）
王涛[6]（2019）在《基于支持向量机的P2P网贷个人信用风险评估模型的研究》一文中研究指出信用在实际生活中变得越来越重要,而互联网金融的快速发展,使得国人快速进入信用消费的时代。银行在审核借款人贷款申请时,往往手续复杂,周期长,此外从银行贷款的门槛较高。P2P网贷具有门槛低,审批流程简单、放贷周期短等优点,使其近些年来得到快速地发展。面对借款客户的多样性,为了控制风险就必需对个人信用风险进行合理的评估。近年来人工智能已经应用到各行各业中,个人信用风险评估的方法也在不断发展完善,大致从最开始的经验判别法发展到统计方法再到如今的人工智能方法。支持向量机因其在处理小样本、非线性数据的优势使得其在个人信用风险评估领域得到了广泛的应用。本文研究内容是利用支持向量机模型进行个人信用风险评估,主要包括个人信用风险指标体系的建立和支持向量机模型的优化研究。建立个人信用风险指标体系时,过多或过少的指标都不利于模型的构建。指标过多会导致变量冗余,增加模型运行的时间,甚至影响模型分类的准确率;而指标过少会使模型缺少足够的变量用来分类,从而导致分类准确率的降低。针对该问题,本文通过自变量的逐步回归法来筛选指标,用筛选后的指标作为支持向量机建模的输入变量。从已有的文献中可以看出惩罚因子和核函数参数对模型的影响最为重要。本文以此角度为出发点利用群智能算法对支持向量机进行优化,分别采用遗传算法、蚁群算法、粒子群算法和果蝇优化算法等4种算法对支持向量机模型的参数进行优化,并建立4种优化的支持向量机评估模型。最后,以真实P2P网贷数据为实验数据进行实验,实验结果表明本文所提出的方法对个人信用风险评估模型具有良好的优化效果,能提高模型分类的准确率和模型运行的效率。(本文来源于《中央民族大学》期刊2019-03-18）
莫赞,张灿凤,魏伟,游德创,张舒[7]（2019）在《基于Bagging集成的个人信用风险评估方法研究》一文中研究指出在个人信用评估问题和风险日益剧增的背景下,为了能够高效地区分申请者的信用情况。从梯度提升树组合特征和集成算法的角度出发,提出一种基于Bagging集成算法的个人信用风险评估模型。为了验证梯度提升树组合生成特征的有效性,利用四个UCI数据集进行对比测试,结果表明通过增加新的组成特征,模型的鲁棒性更强。最后通过German和Credit两个数据集,与逻辑回归集成、支持向量机集成、随机森林集成、梯度提升树集成进行对比,验证了混合模型的有效性。(本文来源于《系统工程》期刊2019年01期）
彭康[8]（2018）在《基于P2P网络借贷的个人信用风险评估》一文中研究指出P2P网络借贷是将资金聚集起来借贷给有资金需求人群的一种商业模型,通过互联网的方式进行借贷,其致力的客群为传统金融无法触及的用户。2007年中国首家P2P网络借贷平台拍拍贷在上海成立,2013年起,网络借贷借势互联网金融的兴起获得了快速发展,2016年中国网络信贷用户达到1.6亿人,P2P交易规模达到14955.1亿元。然而P2P网络借贷业务的几何式增长并不能代表P2P网络借贷平台的成熟,作为一种信贷业务,P2P网络借贷公司规模普遍较小,其风险管理能力远远低于商业银行,因而其面对的最大风险就在于信用风险。个人信用评估实质上可以看作为一个二分类问题,本文以个人信用评估方法作为研究对象,针对寻常的欠抽样方法会造成数据信息的缺失的问题,本文提出基于boosting的欠抽样方法与基于支持向量机模型获得的支持向量样本进行过抽样产生新样本数据的方法相结合,对不平衡数据进行处理,结果表明该方法对不平衡样本进行处理后,模型的ROC曲线面积、预测召回率均有明显提升,且该方法在严重不均衡的数据上具有更明显的优势。其次,本文以lending club网站数据为例,通过分析网站用户基本信息得到违约用户的基本画像,利用GBDT、随机森林、逻辑回归方法以及支持向量机模型进行预测,结果发现,随机森林的预测效果最好,支持向量机预测时间复杂度最高,逻辑回归方法较其他方法具有更强的鲁棒性且时间复杂度最低,但是相比其他叁种模型而言其预测精度较低。(本文来源于《暨南大学》期刊2018-06-30）
李晓刚[9]（2018）在《个人信用风险评估的一种基于XGBoost的集成学习方法》一文中研究指出在信用卡数据建模的分类器构造问题中,“好”“坏”客户具有严重不均衡的数据特性,在抽样方法的框架下,解决数据非均衡性的方法主要是欠抽样、过抽样或者两者的结合,一般情况下,欠抽样会造成信息损失,过抽样易导致过拟合,本文基于XGBoost方法和集成学习的思想,提出一种拟袋装(quasi-bagging)方法,该方法简便易行,对多数类进行随机分组,用每组的多数类样本和一定比例或者全部的少数类样本建立子模型,最终结果由子模型预测均值或投票产生,该方法借鉴bagging方法中的集成思想,并利用训练集中所有样本信息进行分类器的构造,具有较高的模型准确率。每组子模型采用基于梯度Boosting的XGBoost方法进行实现,并进一步讨论了方法具有相合性等性质。实证分析的结果显示,本文的方法与若干已有方法相比,具有更好的分类结果。(本文来源于《中国科学技术大学》期刊2018-05-22）
刘迎[10]（2018）在《数据挖掘技术在商业银行个人信用风险评估中的应用》一文中研究指出近年来,随着我国经济结构的转变,居民消费水平逐步提高,商业银行的各类消费信贷业务量激增,这使得银行的风险管控工作面临巨大的挑战。传统的风险评估方式主要依靠信贷人员的市场经验,风险评估结果受个人主观因素的影响较大,而且面对日渐增加的数据量和业务量,传统的评估方式效率低,业务周期长,准确率也难以保证。所以传统的评估方式已经不能满足当下商业银行信贷业务的发展,商业银行急需建立新型的评估精度较高的信用风险评估模型。本文以商业银行个人信贷业务的实际应用为背景,以汉堡大学捐赠的德国银行信用数据集为研究对象,对商业银行个人信用风险评估的模型进行了研究,主要工作如下:首先,对原始数据进行预处理,包括去除缺失值和离群点,变量特征合并,数据变换、数据标准化等,并利用处理后的数据进行描述性统计分析,构建简单的信用客户画像。其次,建立了叁种单算法的个人信用评估模型,分别为Logistic回归模型、决策树模型和神经网络模型,并利用参数调整和引入代价矩阵的方式对单算法模型的性能进行优化。最终各模型预测结果显示,叁种模型在测试集上的整体预测精度均在65%以上,预测效果较好。然后,为进一步提高模型的预测精度,在单算法模型的基础上,本文又建立了集成算法模型和组合优化模型。集成模型选择应用较为广泛的boosting集成模型和随机森林集成模型。与单算法模型相比,两种集成算法模型的预测精度均有明显的提升。另外,利用随机森林算法中各变量的平均精度降低(MDA)值的大小,对变量进行排序,选出了对模型结果影响较大的15个变量。组合优化模型是在神经网络单算法模型的基础上,针对该模型存在的稳定性较差的问题,利用遗传算法对其进行优化,并利用随机森林算法进行变量的筛选。经验证发现,组合优化模型对训练数据和测试数据的预测标准差均较小,模型的稳定性明显提升,同时模型对测试集的预测精度达到83.5%,预测效果最佳。最后,结合商业银行个人信用评估的实际应用背景,对所建立的六类模型进行对比分析。结果显示组合优化模型在模型预测精度、模型解释性和稳定性方面均有较好的表现,模型性能优于其它模型。因此,组合优化模型对商业银行建立自动化的信用评估体系具有一定的参考和应用价值。(本文来源于《西安电子科技大学》期刊2018-05-01）
个人信用风险评估论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对我国日益凸显的P2P网络借贷业务的信用风险控制问题,构建一个有效的P2P网贷借款人的信用风险评估模型,以促进我国P2P网贷行业的可持续发展。通过文献资料收集及分析,选取对借款人信用具有影响的指标并量化,建立P2P网贷借款人的信用评估指标体系,构建基于BP神经网络的信用风险评估模型,通过人人贷平台的相关数据进行仿真,验证模型的有效性。仿真结果表明,该模型适用于P2P网贷借款人信用风险评估。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
个人信用风险评估论文参考文献
[1].牛贝贝,任金政,李晓涛,陈宝珍.社交信息能用于个人信用风险评估吗?——来自P2P平台的证据[J].管理现代化.2019
[2].李佳蓉,蒋艳莉,汤礼媛.基于BP神经网络的P2P网贷个人信用风险评估[J].时代金融.2019
[3].杨德杰,章宁,袁戟,白璐.基于堆栈降噪自编码网络的个人信用风险评估方法[J].计算机科学.2019
[4].赵云.基于大数据平台的个人信用风险评估[D].南昌大学.2019
[5].周潇.基于数据挖掘技术的P2P个人信用风险评估模型优化[D].上海师范大学.2019
[6].王涛.基于支持向量机的P2P网贷个人信用风险评估模型的研究[D].中央民族大学.2019
[7].莫赞,张灿凤,魏伟,游德创,张舒.基于Bagging集成的个人信用风险评估方法研究[J].系统工程.2019
[8].彭康.基于P2P网络借贷的个人信用风险评估[D].暨南大学.2018
[9].李晓刚.个人信用风险评估的一种基于XGBoost的集成学习方法[D].中国科学技术大学.2018
[10].刘迎.数据挖掘技术在商业银行个人信用风险评估中的应用[D].西安电子科技大学.2018