模型融合在监测贷款违约风险的应用

发布时间：2024-01-31 04:42

　　近年来,随着信贷业务的发展,在贷款的数量和金额飞速增长的同时,伴随的问题与风险也随之发生。违约风险是我国借贷业务中所面临的主要风险,如果可以精准辨别借贷业务中的潜在违约用户并对其进行专项管理,一定程度上就可以避免这种情况的发生,降低银行或者P2P企业的坏账率,从而提高资源分配的合理性以及社会资金的利用率。对于贷款违约预测的研究,传统上多使用逻辑回归模型。在现如今的大数据时代,数据的量级、维度以及产生的速度相比以往都有了质的飞跃,传统的贷款违约风险评估模型面对如此海量的数据,它的风险防控能力有了一定的弱化。面对大数据带来的挑战,采用更具新意的模型和信息化手段对信贷风险的评估具有重大的现实意义。近些年来,决策树、支持向量机、CatBoost等机器学习算法层出不穷,都更能适应大数据时代海量数据所带来的挑战。每个模型都有自己独特的优点,如果可以融合各个模型的优点,则可以达到更加精确的预测结果。本篇论文针对贷款数据不平衡、高维度、量级大等特点,采用模型融合的方式建立双层强学习器来评估贷款违约的风险。首先,从缺失值、异常值、同值率等方面入手对数据进行预处理。接着,从特征相关性、特征分箱、IV值等方...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 引言
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 研究目的和意义
    1.4 本文主要内容和创新点
        1.4.1 主要内容
        1.4.2 创新点
第二章 模型融合相关理论
    2.1 模型融合的含义
    2.2 模型融合的优点
    2.3 模型融合的条件
    2.4 模型融合的相关分类
        2.4.1 投票法(Voting)
        2.4.2 平均法(Averaging)
        2.4.3 套袋法(Bagging)
        2.4.4 提升法(Boosting)
        2.4.5 学习法(Stacking和Blending)
第三章 贷款违约预测的融合模型设计
    3.1 贷款风险监控体系
    3.2 评价指标
    3.3 初级分类器的选择
        3.3.1 随机森林模型
        3.3.2 GBDT模型
        3.3.3 XGBoost模型
        3.3.4 LightGBM模型
        3.3.5 逻辑回归模型
        3.3.6 各个模型的结果对比
    3.4 基于Voting融合方式的模型设计
    3.5 基于Blending融合方式的模型设计
    3.6 基于Stacking融合方式的模型设计
第四章 实证研究
    4.1 数据来源及描述
        4.1.1 数据来源
        4.1.2 数据描述
    4.2 数据预处理
        4.2.1 数据缺失值处理
        4.2.2 数据同值化处理
        4.2.3 数据异常值处理
        4.2.4 数据不平衡问题的处理
    4.3 特征工程
        4.3.1 特征筛选
        4.3.2 特征分箱
    4.4 基学习器的建立
    4.5 融合模型的建立
        4.5.1 基于Voting融合方式的建模结果
        4.5.2 基于Blending融合方式的建模结果
        4.5.3 基于Stacking融合方式的建模结果
    4.6 不同模型的评估指标对比
第五章 结论与展望
    5.1 主要结论
    5.2 未来展望
参考文献
致谢



本文编号：3890985