基于Stacking的P2P贷款违约预测模型构建及应用

论文摘要

近年来互联网金融与大数据技术的发展使得传统金融机构的中介作用下降,互联网金融理财观念日渐深入人心,大众逐渐把P2P网络借贷作为金融消费理财的重要途径。国内P2P网贷行业因此迅速发展,但是在快速发展的背后伴随的问题与风险也在逐步提高,2018年我国P2P网贷平台出现集中爆雷潮,发生了大面积的客户违约现象,高坏账率导致大量平台出现资金提现困难、倒闭等现象,因此如何准确识别潜在违约客户,降低信用违约风险变成迫在眉睫的问题,只有将借款客户的信用违约问题处理好,才能够更好的促进我国P2P网络贷款行业平稳健康发展。本文旨在通过建立贷款违约预测模型,对P2P网贷平台潜在违约客户进行准确识别,以期能够降低平台经营风险,优化我国互联网金融环境,降低互联网金融风险。针对目前我国P2P平台风险量化研究较少,运用机器学习算法较单一且缺乏运用多模型融合策略的实际情况,本文利用Python爬取人人贷借贷数据,借助Python、R等分析软件,首先进行了数据预处理和Cox生存分析等探索性统计分析,在对非平衡数据使用Border-line Smot算法处理后,通过IV信息价值与Gini指数相结合的特征筛选方法,构建Logistic、支持向量机、Adaboost、Xgboost、随机森林、朴素贝叶斯6组经典分类模型,通过网格搜索法对各模型进行参数调优后,使用F2值作为模型性能评价指标,择优选出Logistic、支持向量机、Adaboost、Xgboost模型,最后通过Stacking算法融合4组模型建立最终的贷款违约预测模型,并得出以下结论:1)通过贷款生存时间分析发现,小额贷款相较大额贷款更容易违约,P2P网络借贷平台应加强小额贷款申请的监督审核工作;其次借款人在贷款期限临近时期更容易出现违约的情况,平台在还款日临近之前,需要特别注意借款人近期的还款表现,加强借款催收与监督工作。2)基于不同平衡比例的数据训练会影响模型性能,且训练数据越接近1:1平衡状态,模型性能越差,训练数据平衡比为1:3时是更利于模型性能的处理。3)不基于Stacking融合算法时,Xgboost模型在各单组模型中表现最好,优于其余经典分类模型建立个人贷款违约预测模型。4)基于Logistic、支持向量机、Adaboost、Xgboost四组模型建立的Stacking融合模型在所有模型中表现最好,证明了本文建立的Stacking融合模型是表现更优的个人贷款违约预测模型,以及Stacking模型融合算法在个人贷款违约预测领域的优越性,对于将模型融合算法应用到我国个人贷款违约预测领域有一定的参考价值。5)从模型应用角度出发,通过控制变量法研究了单个借款客户在不同利率水平下,模型的预测违约概率的变化情况,通过调整借款利率来改变其相应的违约概率,使之降至平台可接受的违约概率范围,对于协助平台实现不良客户转化具有一定的积极意义。

论文目录

摘要

Abstract

第1章引言

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外P2P网贷违约风险相关研究综述

1.2.1 国外相关研究综述

1.2.2 国内相关研究综述

1.3 Stacking模型融合算法研究综述

1.4 论文主要内容与技术路线

1.5 论文创新点

1.6 论文结构

第2章 P2P网贷相关理论及发展现状

2.1 P2P网贷相关概念

2.1.1 P2P网贷概述

2.1.2 P2P网贷角色关系

2.1.3 P2P网贷业务流程

2.2 P2P网络借贷风险

2.3 P2P网络借贷发展现状

2.3.1 P2P平台规模特征

2.3.2 P2P平台信用风险问题日益严重

2.4 本章小节

第3章机器学习分类算法理论

3.1 机器学习概述

3.2 机器学习分类算法

3.2.1 单分类算法

3.2.2 集成学习算法

3.3 Stacking模型融合算法

3.4 本章小节

第4章模型数据获取与预处理

4.1 数据获取

4.2 数据预处理

4.2.1 数据清洗

4.2.2 数据缺失值处理

4.2.3 数据离群点处理

4.2.4 数据特征抽象

4.2.5 数据特征缩放

4.3 非平衡数据处理

4.4 本章小节

第5章贷款数据探索与统计分析

5.1 贷款生存时间分析

5.2 贷款违约影响因素分析

5.2.1 贷款违约与借款特征关系分析

5.2.2 贷款违约与借款人特征关系分析

5.2.3 贷款违约与地理位置特征关系分析

5.3 本章小节

第6章基于Stacking算法的模型构建与应用

6.1 特征工程

6.1.1 特征衍生

6.1.2 特征筛选

6.2 模型构建

6.2.1 模型评价指标

6.2.2 模型的有效性评估方式

6.2.3 模型优化与比较

6.2.4 稳定性检验

6.2.5 构建Stacking融合模型与结果分析

6.3 模型应用分析

6.3.1 客户区分能力检验

6.3.2 样本外数据检验

6.3.3 不良客户转化

6.3.4 模型应用建议

6.4 本章小节

结论

致谢

参考文献

攻读学位期间取得学术成果

文章来源

类型: 硕士论文

作者: 王竟羽

导师: 范安东,王华

关键词: 网贷,机器学习,生存分析,违约预测,融合

来源: 成都理工大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,贸易经济,金融,投资

单位: 成都理工大学

分类号: F832.4;F724.6;F224

DOI: 10.26986/d.cnki.gcdlc.2019.000333

总页数: 78

文件大小: 6082K

下载量: 190

基于Stacking的P2P贷款违约预测模型构建及应用

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢