基于群决策的信用风险识别

发布时间：2024-03-30 14:23

　　近年来,随着互联网技术的发展,金融创新不断取得突破,互联网信贷行业也在快速成长。虽然相比于传统的银行信贷,它在某些方面取得了巨大的突破。但其仍然面临着巨大的信用违约风险,这对互联网信贷平台的各方参与者来说都存在巨大的潜在危害。对于信贷平台来说,应对信用风险的一个重要措施就是提高对风险交易用户的识别能力,建立预报警示机制。不少研究表明机器学习算法在识别违约用户方面有比较好的表现,但互联网信贷平台涉及到的数据特征量大且复杂,并且其影响也是非线性的,单一模型很难在所有方面得到一个比较优良的结果。模型融合可以起到将各模型优势互补的作用,体现“集体智慧”。本文基于群决策思想,将不同信贷风险预测模型进行融合,来识别风险用户。群决策思想的模型融合本质上是一种加权平均融合,但其以优化预测结果的不确定性为目标函数。本文从如下两个方面对群决策融合的具体实施过程进行了优化。一、由于群决策使用信息熵作为优化方法,所以本文提出在进行模型融合前可以对模型概率预测值进行调整,以保证预测结果在0.5时不确定性最大。二、将群决策融合方法与模型动态选择思想相结合,提出了基于聚类的群决策融合方法。既能够实现参与融合的模型的...

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 引言
    第一节 研究背景及意义
        一、研究背景
        二、研究意义
    第二节 国内外研究现状及文献综述
        一、用户信用违约评估文献综述
        二、模型融合文献综述
        三、群决策文献综述
    第三节 论文创新性
第二章 模型融合介绍
    第一节 常用模型介绍
        一、随机森林
        二、梯度提升树
        三、神经网络
    第二节 模型融合方法
    第三节 平均融合法的权重选取
        一、静态权重选取
        二、动态权重选取
第三章 群决策方法介绍
    第一节 群决策模型融合
        一、群决策模型融合的基本思想
        二、权重确定方法
    第二节 群决策模型改进
        一、预测概率修正
        二、基于聚类的群决策方法
    第三节 群决策融合方法的特点
第四章 基于某移动支付平台数据的实证研究
    第一节 数据介绍和特征构建
        一、数据描述
        二、特征构建
    第二节 模型构建
        一、模型构建框架
        二、个体学习器结果
        三、聚类结果
        四、模型融合结果
第五章 总结
    第一节 全文工作总结
    第二节 建议与展望
参考文献
致谢
个人简历及在学期间发表的研究成果



本文编号：3942480