基于數(shù)據(jù)挖掘技術(shù)的P2P借貸違約風(fēng)險識別模型研究.pdf

1、在互聯(lián)網(wǎng)經(jīng)濟(jì)日益擴(kuò)張的今天，為滿足多樣化的投資和借貸需求，互聯(lián)網(wǎng)金融產(chǎn)業(yè)下的P2P借貸業(yè)務(wù)快速擴(kuò)張。但近年來，P2P借貸業(yè)務(wù)發(fā)展遇到了一系列問題，尤其是較高的違約率帶來的壞賬問題，導(dǎo)致P2P平臺和投資者遭受損失。建立有效的P2P借貸違約風(fēng)險識別模型，對于平臺的風(fēng)險控制和行業(yè)的長遠(yuǎn)發(fā)展，有著重要的意義。本文旨在運(yùn)用當(dāng)前較為主流的數(shù)據(jù)挖掘方法，尋找并構(gòu)建能夠有效識別P2P借貸違約風(fēng)險的模型，從而實(shí)現(xiàn)P2P平臺中潛在違約情況的及時預(yù)測，有效降

2、低P2P平臺因高違約率而帶來的損失，進(jìn)而提高生存能力。
　　本文首先對P2P借貸業(yè)務(wù)進(jìn)行了基本分析，闡述了所采用的幾類數(shù)據(jù)挖掘模型的基本思想和特點(diǎn)。然后，以“拍拍貸”公開的借款人數(shù)據(jù)集為例進(jìn)行數(shù)據(jù)采集，對所采集得到的P2P借貸記錄數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和特征工程。此后，對清洗以后的數(shù)據(jù)集分別建立邏輯回歸(Logistic)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)、C50決策樹、隨機(jī)森林、GBDT迭代樹和XGBoost等P2P違約風(fēng)險識別的數(shù)據(jù)挖

3、據(jù)模型，并且選擇準(zhǔn)確度、精確度、召回度和F1統(tǒng)計值等評估指標(biāo)來對各個模型的預(yù)測效果進(jìn)行評估和對比。最后，分別選擇其中表現(xiàn)效果較佳的XGBoost模型和邏輯回歸模型作為基模型和第二階段的模型，采用Stacking集成學(xué)習(xí)的方法，建立最終的違約識別組合模型。
　　本文的最終研究結(jié)果表明，運(yùn)用開源工具R語言，基于包含P2P借款用戶的基本信息、網(wǎng)絡(luò)行為、教育信息、社交網(wǎng)絡(luò)和第三方數(shù)據(jù)等多維度數(shù)據(jù)，采用當(dāng)前流行的數(shù)據(jù)挖據(jù)模型XGBoost建