基于代价敏感和集成学习的网络借贷信用评价方法与应用
发布时间：2023-05-19 05:03
信用评价对银行和保险等金融机构降低风险、增加收益至关重要,是金融行业重点关注的技术之一。随着大数据时代的来临,利用快速且精准的数据挖掘技术成为信用评价的主流手段。从分类任务的视角看,传统信用评价通常被刻画为一个二分类问题,即区分优良贷款和不良贷款,这对银行业的模式是有效的,因为银行贷款利率相对固定,是否为申请贷款者提供授信是其主要目标。不同于传统银行借贷,网络借贷大多是非抵押贷款,因此信用评估的准确性对其信用风险的管理有着至关重要的影响。为了更好的控制信用风险,网络借贷需要根据借款人的信用水平和违约概率将其划分为多个信用等级,进而为各个信用等级的贷款设置差异化的利率。这一信用评价特点不仅要求多类别分类算法具有较高的准确性,而且需要考虑不同类别的误判损失和各类别间的顺序关系。网络借贷的特点对传统的信用评估方法提出了新的问题和挑战。针对该需求,本文将多个信用等级作为多类别进行分类建模,从代价敏感和集成学习的视角,提出了考虑网络借贷实际需求的信用评价方法,从而达到提高网络借贷信用评估准确率和降低误分类损失的目的。本文具体的研究内容包括:第一,网络借贷中不同信用类别的误分会造成不同程度的损失。...
【文章页数】：134 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景
1.2 研究思路与内容结构
1.3 研究意义
1.4 研究方法
1.5 创新点
第二章 相关理论与文献综述
2.1 信用评价方法研究
2.2 信用评价中的分类算法
2.3 代价敏感分类及其在信用评价中的应用
2.3.1 代价敏感分类算法
2.3.2 代价敏感分类在信用评价中的应用
2.4 集成学习算法及其在信用评价中的应用
2.4.1 集成学习方法
2.4.2 集成学习在信用评价中的应用
2.5 本章小结
第三章 刻画收益损失与构建误分类代价矩阵
3.1 代价矩阵与相关研究
3.2 网络借贷场景下的风险与收益建模
3.3 代价敏感矩阵的度量与计算
3.3.1 下三角矩阵C1
3.3.2 上三角矩阵C2
3.4 参数分析与灵敏度分析
3.4.1 违约损失率Lgd
3.4.2 违约概率修正系数β
3.4.3 借款人流失率α
3.4.4 参数的灵敏度分析方法
3.5 数据实验
3.5.1 数据描述
3.5.2 参数设置及其管理启示
3.5.3 误分类代价矩阵计算
3.5.4 灵敏度分析
3.6 本章小结
第四章 代价敏感的特征空间和分类算法评价与选择
4.1 基于过滤器的特征排序与选择
4.1.1 特征选择方法简介
4.1.2 过滤法特征选择中的度量准则
4.2 代价矩阵及代价敏感分类算法
4.3 代价敏感分类结果的评价指标
4.4 实验设置
4.4.1 数据预处理
4.4.2 实验环境与步骤
4.5 实验结果与模型选择
4.5.1 传统分类器与代价敏感分类器的比较
4.5.2 代价敏感分类器及特征子空间的比较
4.5.3 基于特征重要性的指标体系及其管理启示
4.6 本章小结
第五章 基于成对比较的有序类集成信用评分方法
5.1 基于成对比较的集成学习思路
5.1.1 成对比较矩阵介绍
5.1.2 样本间的成对比较关系刻画
5.2 不完全信息下成对比较矩阵的权重计算方法
5.2.1 基于优化方法的权重计算
5.2.2 基于元素补全的权重计算
5.2.3 基于谱分析的权重计算
5.3 大规模成对比较矩阵的求解:二部图迭代算法(BGIM)
5.3.1 二部图表达与转移矩阵构建
5.3.2 迭代算法设计
5.3.3 算法性质的理论分析
5.3.4 算法验证实验
5.4 网络借贷信用评价中代价敏感分类器的集成实验
5.4.1 实验设置
5.4.2 实验结果
5.5 本章小结
第六章 全文总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
附录
攻读博士学位期间取得的成果
本文编号：3819707
【文章页数】：134 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景
1.2 研究思路与内容结构
1.3 研究意义
1.4 研究方法
1.5 创新点
第二章 相关理论与文献综述
2.1 信用评价方法研究
2.2 信用评价中的分类算法
2.3 代价敏感分类及其在信用评价中的应用
2.3.1 代价敏感分类算法
2.3.2 代价敏感分类在信用评价中的应用
2.4 集成学习算法及其在信用评价中的应用
2.4.1 集成学习方法
2.4.2 集成学习在信用评价中的应用
2.5 本章小结
第三章 刻画收益损失与构建误分类代价矩阵
3.1 代价矩阵与相关研究
3.2 网络借贷场景下的风险与收益建模
3.3 代价敏感矩阵的度量与计算
3.3.1 下三角矩阵C1
3.4.1 违约损失率Lgd
3.4.2 违约概率修正系数β
3.4.3 借款人流失率α
3.4.4 参数的灵敏度分析方法
3.5 数据实验
3.5.1 数据描述
3.5.2 参数设置及其管理启示
3.5.3 误分类代价矩阵计算
3.5.4 灵敏度分析
3.6 本章小结
第四章 代价敏感的特征空间和分类算法评价与选择
4.1 基于过滤器的特征排序与选择
4.1.1 特征选择方法简介
4.1.2 过滤法特征选择中的度量准则
4.2 代价矩阵及代价敏感分类算法
4.3 代价敏感分类结果的评价指标
4.4 实验设置
4.4.1 数据预处理
4.4.2 实验环境与步骤
4.5 实验结果与模型选择
4.5.1 传统分类器与代价敏感分类器的比较
4.5.2 代价敏感分类器及特征子空间的比较
4.5.3 基于特征重要性的指标体系及其管理启示
4.6 本章小结
第五章 基于成对比较的有序类集成信用评分方法
5.1 基于成对比较的集成学习思路
5.1.1 成对比较矩阵介绍
5.1.2 样本间的成对比较关系刻画
5.2 不完全信息下成对比较矩阵的权重计算方法
5.2.1 基于优化方法的权重计算
5.2.2 基于元素补全的权重计算
5.2.3 基于谱分析的权重计算
5.3 大规模成对比较矩阵的求解:二部图迭代算法(BGIM)
5.3.1 二部图表达与转移矩阵构建
5.3.2 迭代算法设计
5.3.3 算法性质的理论分析
5.3.4 算法验证实验
5.4 网络借贷信用评价中代价敏感分类器的集成实验
5.4.1 实验设置
5.4.2 实验结果
5.5 本章小结
第六章 全文总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
附录
攻读博士学位期间取得的成果
本文编号：3819707
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3819707.html