导读:本文包含了个人信用评分模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,评分,信用,个人信用,指标体系,算法,信用评价。
个人信用评分模型论文文献综述
张世锦[1]（2019）在《涉税会计人员个人信用评分模型的构建》一文中研究指出本文从国家税务总局所关注的个人信用指标体系出发,尝试构建一套满足税局管理的涉税会计人员个人信用评分模型,包括指标体系、单项指标权重的确定、信用等级划分。在此基础上,相关的税务单位利用该成果对涉税会计人员进行个人信用评分和等级的划分,推进社会信用体系建设,保证国家税收法律、行政法规正确、有效贯彻执行,促进涉税会计人员的服务机构的健康发展。(本文来源于《中国乡镇企业会计》期刊2019年06期）
崔晓辉[2]（2019）在《中小型商业银行个人信用评分模型建设的研究》一文中研究指出2018年以来,中小型商业银行资产质量呈现严重下滑趋势。截至2018年9月末,城市商业银行和农村商业银行不良贷款率分别达到了1.67%和4.23%,城商行不良率同比上升幅度较小,而农商行不良率同比上升幅度已经达到警戒水平。与这些中小型商业银行相比,国有银行及全国股份制商业银行不良率基本保持不变,甚至呈下降趋势。究其原因,主要是因为面向全国开展业务的国有银行及股份制银行能够吸引较好的客户,而且由于业务覆盖面较广可以很好地分散风险。更为重要的是国有银行及股份制银行由于起步较早,各项章程规定都比较健全,拥有着很好的风控体系及准入机制,所以能够在整体经济下行的大环境下依旧能够稳定有序地运行。反观中小型商业银行,其客户群体本来就相对较差又没有很好的投资项目,加上当地政府的干涉,当整体经济出现波动时很容易产生较大的风险。对于中小型商业银行来说,风险承受能力相对较弱,其客户大多数为轻量型的个体客户,所以十分必要建立起属于自己银行的个人信用评分体系。中小型商业银行的整体规模较小,人员配置体系相对国有银行及大型股份制银行存在很大的差距,这也就决定了它整个体系的不健全性。目前国内的研究大多是关于算法的研究,算法的作用当然也是不可忽视,但对于整个银行信用评分模型的建立,仅有算法是完全不够的。银行的数据维度大又相对交叉,大多数的算法是建立排除多维数据共线性的基础上,银行数据还存在着不完整的情况,这些不完整的数据该如何处理,所有的这些都是选择算法的前期工作,更是决定了整个分析结果。本文就是根据本人在银行实习经历,加上国内外学者的研究结果建立起来整个中小型商业银行信用评分模型的建立体系。最后又分析了信用评分模型拟合度的判别方式及中小型商业银行信用评分模型建设的发展方向。(本文来源于《吉林大学》期刊2019-05-01）
王文敬[3]（2019）在《基于SMOTE过抽样法的个人信用评分模型研究》一文中研究指出随着当下互联网金融的蓬勃兴起,个人信贷业务的规模和涉及的领域不断扩大,能够突破时间和地域的限制,在互联网上为有融资需求的客户提供更加快捷的金融服务,但同时也存在着信用风险和用户欺诈的问题,急需精准的个人信用评分模型来提高风险控制水平。本文基于“东证期货杯”统计建模比赛金融机构提供的个人征信数据,从平衡数据结构和组合模型两个方面来改进个人信用评分模型,旨在提高个人信贷审批环节的风险控制水平。平衡数据结构方面:本文“逾期”样本数和“不逾期”样本数的比例为1:15,存在严重数据不平衡的现象。通过对“逾期”样本进行SMOTE过抽样,把“逾期”和“不逾期”的两类样本平衡为1:1。对平衡前的数据建立Logistic回归模型、XGBoost决策树模型和XGB-Logistic组合模型;对平衡后的数据建立SMOTE-Logistic回归模型、SMOTE-XGBoost决策树模型和XGB-SMOTELogistic组合模型。比较数据平衡前后六个模型的AUC指标,发现数据平衡后叁个模型的AUC明显高于数据平衡前叁个对应模型的AUC;而且从精确率、召回率、PR曲线来看,数据平衡后建立的叁个模型的样本外预测能力显着提高。因此,得出数据平衡条件下构建的个人信用评分模型的预测效果更好。组合模型方面:基于平衡后的数据,比较国内外成熟的个人信用评分模型方法的基本思想、应用条件、预测准确性、可解释性方面的差异,发现单一的SMOTE-Logistic回归模型可解释性最强,但预测准确率AUC不高;单一的SMOTE-XGBoost决策树模型预测准确率AUC较高,但模型的可解释性较差。基于以上分析,本文把SMOTE-XGBoost决策树模型的预测结果pred2校正后看作是对客户的第一印象impre2,把impre2作为SMOTE-Logistic回归模型的增广变量,建立了新的XGB-SMOTE-Logistic组合模型。通过对各个模型的预测准确率AUC、精确率、召回率、PR曲线、可解释性等指标的评价得出,XGB-SMOTELogistic组合模型比单一SMOTE-Logistic回归模型预测准确性显着提高了;而且可解释性相对于单一的SMOTE-XGBoost决策树模型又是较强的。所以,XGBSMOTE-Logistic组合模型是综合表现最优的模型,且对金融机构来说具有重要意义。(本文来源于《上海师范大学》期刊2019-03-01）
梁心怡[4]（2019）在《基于Logistic模型的大学生网络消费信贷个人信用评分研究》一文中研究指出近年来,随着网络借贷平台走进人们的生活,信用风险严重影响着网络借贷平台的发展。其中,个人信用风险在我国消费信贷中是影响力最大的。它在造成借贷平台资产的不良和资产泡沫化的形成的同时还会对消费信贷的发展有严重的影响。一个合理的信用风险评估存在是非常必要的,建立一套比较有效的个人信用评估标准是迫在眉睫。本文的研究目的是希望通过统计分析,结合大学生网络消费信贷的个人信用数据,通过定性和定量分析建立适合大学生的个人信用评分模型。(本文来源于《时代金融》期刊2019年03期）
顾诗韬,李佳燡[5]（2019）在《大数据下个人信用评分的MCLP模型研究》一文中研究指出个人信用评级在个人信贷业务中起着非常重要的作用,MCLP(多目标线性规划)模型是基于优化方法的一个分类模型。本课题获取德国、英国、日本、信用评估竞赛中的四个个人信用数据库作为实验数据,研究了基于MCLP模型的信用评级。从灵敏性、特效性、准确率叁方面评估模型,通过与logistic回归、DEA算法等分类器的比较,验证MCLP模型的优越性。此外,针对临界值的变动对MCLP模型做敏感度分析,得出结论在临界值取-3时模型准确率达到最高,并据此优化模型。本课题的研究有利于完善个人信用评分机制,降低信贷风险。(本文来源于《大众投资指南》期刊2019年01期）
张业莹[6]（2018）在《拒绝推断条件下CPLE_LightGBM P2P网络借贷个人信用评分模型研究》一文中研究指出P2P网络借贷行业是金融借贷领域的重要组成,在2014年与2015年增长幅度高达300%,在2016年与2017年回归合规增长,但增长势头依旧迅猛。2017年网络借贷行业总成交量达到2.8万亿,投资与借贷人数分别达1.7千万人与2.2千万人。P2P网络借贷市场的资金成本决定其属于次级市场,具有违约风险高的特征。P2P网络借贷中的借贷关系可归结为个人信用问题,因此,有必要提高个人信用评分精度以降低信用风险,保障投资人的利益。当前,个人信用评分模型的构建一般只依赖接受样本,但每年P2P网络借贷中的拒绝样本量常常占总借款申请量的90%,抛弃拒绝样本只利用接受样本建模,在非随机数据缺失机制下将导致样本选择性偏差,降低个人信用评分模型的预测准确性,因此有必要利用拒绝推断的方法将拒绝样本融入“个人信用评分模型训练集”中。使用统计方法(外推法与倍增法)与半监督学习算法(CPLE_LightGBM、S3VM、CPLE_RF、CPLE_LR)预测被拒绝样本的履约违约状况,获得全样本数据集。采用监督学习算法(LightGBM、SVM、RF、LR)构建基准模型。基于人人贷与Lendingclub两个借贷平台的数据集进行实证分析,结果显示:(1)拒绝推断能够提高个人信用评分模型的预测精度,且精度的提升主要源于对违约客户预测正确性的提高。(2)基于不同算法构建的个人信用评分模型的预测结果间存在统计意义上的差异,其中拒绝推断条件下CPLE_LightGBM P2P网络借贷个人信用评分模型的预测效果最优,该模型的构建与引入在P2P网络借贷个人信用评分领域存在实际意义。(3)拒绝推断过程中,训练集的构成对个人信用评分模型的预测结果存在影响。(本文来源于《中国矿业大学》期刊2018-06-01）
王宇涵[7]（2018）在《数据挖掘算法在个人信用评分模型中的应用》一文中研究指出随着经济社会的不断发展,激发了信贷消费的巨大发展,各种消费贷款迅速升温,国内各商业银行扩大了在信用消费方面的业务。由于历史原因,大部分商业银行都缺乏一套有效的个人信用评分方法,即使有也存在评估准确性差的缺点,从而对个人信贷消费的发展产生了不利影响。此外,对于商业银行来说,由于产品和服务的同质性,只有从大量的业务数据中掌握信息背后的规律,做出合理决策,才能在激烈的市场竞争中取胜。传统的信用评分体系如朴素贝叶斯算法,往往基于各自变量相互独立等一系列较为严格的假设,在面对海量且存在多重共线性的数据时,很难取得令人满意的效果。随着计算机技术和数据挖掘理论的快速发展,信用评分模型的方法得到了极大的丰富。数据挖掘技术由于对高维数据具有良好的拟合能力,因此近年来被广泛应用在金融领域。本文的研究目标是基于数据挖掘技术中应用最多的分类算法—决策树分类模型建立个人信用评分模型,并与Logistic回归建模的结果进行了对比。在完成了数据缺失值处理、样本抽取和基于卡方检验和互信息的变量选择等一系列的数据准备工作后,设置3:1的样本容量分别作为训练集和测试集,用这两种方法分别对其进行建模,并选用准确率、ROC、AUC等指标进行模型评估,得到通过决策树算法得到的信用评分模型效果优于Logistic回归模型的结论。(本文来源于《东南大学》期刊2018-06-01）
郭秋俊[8]（2018）在《基于选择性集成算法的网贷个人信用评分模型研究》一文中研究指出随着小额消费信贷和互联网金融的发展,P2P网贷行业迅猛发展,已达万亿市场,网贷平台无需抵押,供借款人发布借款标及理财者投资,目前个人信用观念极弱,信息不对称、逆向选择导致的违约情况严重,因此,网贷信用评价至关重要,信用评分旨在利用个人信用相关数据对是否违约进行判断,提前预测借贷者的信用情况,决定是否借款,可以减少平台的违约率,也能促进国民信用意识的提高。然而网贷个人评价指标体系不够完善,特别是互联网金融信息、社交信息没有考虑在内,另外评价模型准确性及稳定性有待提高。目前以数理统计、人工智能方法(神经网络、随机森林、SVM)为基础的单一模型、集成模型存在着诸多问题,包括误判率高、不稳定、泛化能力弱、计算所需空间和成本高。针对上面提到的问题,本文提出评分模型系统性优化方案,重点进行指标体系的完善及评分模型的构建优化。其一,首先梳理分析传统的个人信用评价指标体系,初步构建符合网贷特点的指标体系,再基于逻辑回归方法,计算指标的WOE、IV值,进行显着性分析,科学合理的确定指标体系。其二,构建基于选择性集成方法的模型,首先选择准确率达标的分类器,计算Q统计差异量,确定最终的基分类器,然后引入选择性集成算法,异构一定数量的分类器集,选择最优的子集集成模型,构建基于方向排序法选择性集成模型(OO)、基于模糊聚类分簇法选择性集成模型(FCM-CFP),其叁,最后利用融360平台、人人贷的数据进行实验,从准确率、基分类器规模、计算时间叁个维度对两个模型进行比较分析,另外也与单一模型和集成模型进行对比分析。实验结果表明,两个模型各有优劣势。选择性集成模型预测性能都最好、排序法模型计算时间更短,分簇法由于保持更好的差异性,稳定性更好。上述两个模型与单一模型、集成模型相比,基分类器数量较多,但评分精度,稳定性、泛化性能更高。(本文来源于《浙江工商大学》期刊2018-04-01）
周围[9]（2018）在《基于LightGBM-Logistic回归的网贷个人信用评分模型研究》一文中研究指出在互联网和大数据技术发展的背景下,互联网金融行业在我国已有了十多年的发展历程。网贷行业身为互金行业的子类,在2007年引入中国以来经过了迅速发展、政策监管、行业洗牌等阶段,并逐步趋稳。由于目前我国的征信体系仍不完善,在面对互联网的海量数据时如何对个人信用状况进行准确的评估,有效控制信用违约风险一直以来都是行业内关注的重点问题。在当前严格的行业政策背景下,建立更为完善的网贷风控体系,对推动行业良性发展和科技金融改革创新都具有十分重要的意义。本文基于机器学习算法准确性高和线性模型可解释性强的特点,将微软亚洲研究院在2016年开源的高效算法LightGBM和Logistic回归模型进行结合:首先对所有变量计算IV值(Information Value)并筛选出区分能力较好的变量构建Logistic回归模型,再将剩余未入参变量通过LightGBM算法建模,并将该算法所得到的结果作为解释变量加入到原有的Logistic回归模型中,构建了 LightGBM-Logistic回归模型。在实证过程中,首先基于国内某网贷平台的真实交易数据进行验证,发现LightGBM-Logistic回归模型在预测精度上优于结合前的Logistic回归模型。随后将模型应用于LendingClub 2007年第一季度至2017年第二季度的数据集中,实验表明LightGBM-Logistic回归模型在结果上具有更强的可解释性。面对互联网数据覆盖面广、稀疏性强、单变量解释能力较弱等特点,准确且高效地从数据中挖据出与自身业务相关的价值成为关键。本文在网贷个人信用风险领域对此进行了有益的尝试。(本文来源于《浙江工商大学》期刊2018-01-01）
龚瑜[10]（2017）在《对消费金融行业个人信用评分模型的探究》一文中研究指出2009年我国开始批准消费金融公司开展分期贷款的业务,人们逐渐接受了这种超前消费、透支消费的观念,消费金融的市场规模随着客户的增多,场景越来越多元化而发展壮大,我国的信用贷款业务得到了快速的发展。然而随着信贷业务的发展,传统的线下人工审批客户需求已不能满足日益扩大的客户群体。目前消费金融行业遇到的瓶颈就是蒸蒸向上的业务与落后的个人信用风险评估体系之间有着较大的差距,因为国内并没有一个统一使用的个人信用风险评估体系,各个消费金融公司均使用自己的信用评估体系并且不共享各自的算法。目前主要是统计的方法和非统计(数据挖掘)的方法用来研究个人信用风险,评价模型的效果主要考虑精度和稳定性。本文在分析国内外对于个人信用风险评估的研究成果后,结合样本的数据,基于AdaBoost算法的框架下建立了叁个单一的个人信用风险模型,并比较各个模型的预测效果。其中决策树不管在训练集还是测试集,其预测效果非常理想,精度均高达90%,朴素贝叶斯模型和支持向量机综合的预测精度相当,但朴素贝叶斯模型的稳定性比支持向量机的稳定性好,SVM在第二类的误判率较高。因此本文认为基于AdaBoost框架下的决策树算法建立个人信用评分模型是较优的方法。(本文来源于《重庆大学》期刊2017-04-01）
个人信用评分模型论文开题报告
（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：
2018年以来,中小型商业银行资产质量呈现严重下滑趋势。截至2018年9月末,城市商业银行和农村商业银行不良贷款率分别达到了1.67%和4.23%,城商行不良率同比上升幅度较小,而农商行不良率同比上升幅度已经达到警戒水平。与这些中小型商业银行相比,国有银行及全国股份制商业银行不良率基本保持不变,甚至呈下降趋势。究其原因,主要是因为面向全国开展业务的国有银行及股份制银行能够吸引较好的客户,而且由于业务覆盖面较广可以很好地分散风险。更为重要的是国有银行及股份制银行由于起步较早,各项章程规定都比较健全,拥有着很好的风控体系及准入机制,所以能够在整体经济下行的大环境下依旧能够稳定有序地运行。反观中小型商业银行,其客户群体本来就相对较差又没有很好的投资项目,加上当地政府的干涉,当整体经济出现波动时很容易产生较大的风险。对于中小型商业银行来说,风险承受能力相对较弱,其客户大多数为轻量型的个体客户,所以十分必要建立起属于自己银行的个人信用评分体系。中小型商业银行的整体规模较小,人员配置体系相对国有银行及大型股份制银行存在很大的差距,这也就决定了它整个体系的不健全性。目前国内的研究大多是关于算法的研究,算法的作用当然也是不可忽视,但对于整个银行信用评分模型的建立,仅有算法是完全不够的。银行的数据维度大又相对交叉,大多数的算法是建立排除多维数据共线性的基础上,银行数据还存在着不完整的情况,这些不完整的数据该如何处理,所有的这些都是选择算法的前期工作,更是决定了整个分析结果。本文就是根据本人在银行实习经历,加上国内外学者的研究结果建立起来整个中小型商业银行信用评分模型的建立体系。最后又分析了信用评分模型拟合度的判别方式及中小型商业银行信用评分模型建设的发展方向。
（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。
个人信用评分模型论文参考文献
[1].张世锦.涉税会计人员个人信用评分模型的构建[J].中国乡镇企业会计.2019
[2].崔晓辉.中小型商业银行个人信用评分模型建设的研究[D].吉林大学.2019
[3].王文敬.基于SMOTE过抽样法的个人信用评分模型研究[D].上海师范大学.2019
[4].梁心怡.基于Logistic模型的大学生网络消费信贷个人信用评分研究[J].时代金融.2019
[5].顾诗韬,李佳燡.大数据下个人信用评分的MCLP模型研究[J].大众投资指南.2019
[6].张业莹.拒绝推断条件下CPLE_LightGBMP2P网络借贷个人信用评分模型研究[D].中国矿业大学.2018
[7].王宇涵.数据挖掘算法在个人信用评分模型中的应用[D].东南大学.2018
[8].郭秋俊.基于选择性集成算法的网贷个人信用评分模型研究[D].浙江工商大学.2018
[9].周围.基于LightGBM-Logistic回归的网贷个人信用评分模型研究[D].浙江工商大学.2018
[10].龚瑜.对消费金融行业个人信用评分模型的探究[D].重庆大学.2017
论文知识图
