LGB-BAG在P2P网贷借款者信用风险评估中的应用

论文摘要

立足于P2P平台,利用P2P平台个人借款人的信息建立了一套系统的信用风险评估指标体系来甄别可能违约的借款人。基于LightGBM（一种基于决策树的Boosting模型）和Bagging提出一种新的LGB-BAG模型,有效结合了Boosting和Bagging的优势。结果表明,在决策树的个数增大到一定程度的时候,LGB-BAG的F1均值（预测效果）要高于LightGBM和随机森林;并且LGB-BAG的F1方差也要小于其余两种模型。LGB-BAG的F1均值最高可达到0.71175,且LGB-BAG模型能够显著提高信用风险预测效率。

论文目录

• 1 模型介绍
•   1.1 Bagging和Boosting集成学习法
•   1.2 LightGBM
•   1.3 LGB-BAG
• 2 信用风险评估流程
•   2.1 评估指标选取
•   2.2 数据预处理
•   2.3 数据分析
•     2.3.1 相关性分析
•     2.3.2 部分指标的分析
•   2.4 模型设计
•   2.5 判别评估效果的衡量指标选择[22]
• 3 实验结果和分析
• 4 结论与展望

文章来源

类型: 期刊论文

作者: 李淑锦,嵇晓佳

关键词: 集成学习,平台

来源: 技术经济 2019年11期

年度: 2019

分类: 经济与管理科学,基础科学

专业: 数学,宏观经济管理与可持续发展,贸易经济,金融,投资

单位: 杭州电子科技大学经济学院

基金: 国家社会科学基金项目“基于大数据的金融零售信用风险评估与智能决策研究”(17BJY233),教育部人文社科青年项目“网络借贷信用风险评估的结构化方法及应用研究”(16YJCZH031)

分类号: F224;F832.4;F724.6

页码: 117-124

总页数: 8

文件大小: 1040K

下载量: 125