《考虑审核认证信息的P2P网贷借款人信用风险评估研究.docx》由会员分享，可在线阅读，更多相关《考虑审核认证信息的P2P网贷借款人信用风险评估研究.docx（2页珍藏版）》请在三一文库上搜索。
1、考虑审核认证信息的P2P网贷借款人信用风险评估研究P2P 网贷作为互联网金融背景下一种有代表性的投融资模式, 凭借其收益高、准入门槛低、交易方式便利快捷等优点在近几年得到了爆发式的增长。P2P网贷的发展和普及有利于弥补传统金融服务的局限性, 对于丰富和完善我国多层次金融市场具有重要意义。然而 P2P网贷模式具有信息不对称、违约成本低、债权关系复杂等缺陷, 加上目前我国缺乏良好的社会征信体系, 导致该行业在发展过程中出现了各种问题。其中 , 借款人违约便是制约P2P网贷行业发展的一个重要障碍。针对这一现状 , 本文综合运用指标体系构建、机器学习模型等方法对P2P网贷借款人的信用风险进行评估和深入
2、分析, 主要研究工作如下 :1. 提出了 P2P网贷借款人信用风险评估指标体系。本文的指标体系包括传统的基本信息、工作信息、信用信息、资产信息、 借款信息 , 并创新引入审核认证信息, 然后采用人人贷平台的借款人数据验证了审核认证信息能够改进借款人信用风险评估效果。2. 构建了基于 GBDT-SVM借款人信用风险评估模型。借款人信用数据分布复杂、特征多的特点 , 考虑到梯度提升决策树 (GBDT)能快速选取具有区分度的特征 ,支持向量机 (SVM)具有较强的泛化能力 , 本文结合 GBDT和 SVM构建了借款人信用风险评估模型。首先利用 GBDT从借款人的原始数据中提取有效信息构造新特征组合, 再基于新特征组合利用SVM模型对借款人进行风险评估。这样既能简化SVM的结构 ,又能提高模型的分类准确率。3. 对比分析了本文提出的借款人信用风险评估模型与常见的风险评估模型的评估效果。实证结果表明 : 基于 GBDT和 SVM的 P2P网贷借款人信用风险评估模型比逻辑回归 (LR) 、人工神经网络 (ANN)、SVM、聚类算法等模型具有更高的分类准确率。此外 , 进一步分析了指标的特征贡献度, 研究发现信用信息和借款信息是评估借款人信用风险的关键指标。