随机森林方法在个人信用风险分析中的应用

论文摘要

随着金融服务业的不断改革,消费观念的转变以及互联网金融的兴起,个人信贷业务发展迅速,其规模也在持续扩大,但是信贷风险也随之而增长。因此,加强对个人信用风险管理,找出科学合理的评估方法,对于推动个人信贷市场的良好稳步发展显得尤为重要。本文利用来自互联网信贷平台的个人贷款数据进行实证研究。首先,基于个人贷款数据不平衡的特点对数据采用不同方式进行处理,通过以随机森林为主的机器学习方法构建了个人信用贷款模型,并与决策树模型,Logistic模型进行对比,预测客户是否有违约倾向。论文所做工作如下:首先介绍了个人信贷风险评估领域目前主要采用的机器学习方法理论以及对分类器的评价标准;其次对原始数据预处理,包括对缺失值的插补,异常值的处理等,之后对于贷款数据自身违约与未违约样本严重不平衡的特点,分别利用SMOTE过采样以及随机欠采样的方法,改进样本不平衡的问题;并与不同机器学习算法相结合建立不同模型,对各个模型的AUC值进行比较。结果表明通过SMOTE算法处理信贷数据不平衡并与随机森林相结合的模型性能最佳,并利用两组数据集来验证,两组数据不平衡程度不同,指标数量不同,也较好说明了随机森林模型在个人信用风险评估中的实用性和准确性,以及SMOTE算法在处理不平衡样本时的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 研究背景
•   1.2 信用评估方法的国内外研究现状
•     1.2.1 国外研究现状
•     1.2.2 国内研究现状
•     1.2.3 研究评述
•   1.3 本文研究目的、研究内容及框架
•     1.3.1 研究目的和内容
•     1.3.2 研究思路及框架
• 第2章 研究方法理论介绍
•   2.1 决策树
•     2.1.1 决策树简介
•     2.1.2 决策树的分裂算法
•   2.2 随机森林
•     2.2.1 随机森林简介
•     2.2.2 随机森林算法
•   2.3 Logistic模型
•   2.4 性能评价指标
• 第3章 个人信贷风险模型实证分析
•   3.1 数据来源及说明
•   3.2 数据预处理
•     3.2.1 缺失值处理
•     3.2.2 异常值处理
•     3.2.3 样本不平衡处理
•   3.3 模型实证与比较
•     3.3.1 数据集A随机森林模型训练
•     3.3.2 数据集A随机森林模型评估
•     3.3.3 数据集A不同模型对比
•   3.4 数据集B模型比较
•     3.4.1 数据集B随机森林模型构建
•   3.5 两组数据集模型比较结论
• 第4章 结论与展望
•   4.1 研究结论
•   4.2 研究展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 李宵宵

导师: 张理

关键词: 随机森林模型,算法,个人信用风险

来源: 云南大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,贸易经济,金融

单位: 云南大学

分类号: F832.4;F224;F724.6

总页数: 55

文件大小: 3329K

下载量: 441