基于半监督学习的P2P网贷平台风险识别研究
发布时间：2021-02-17 00:50
近年来,我国P2P网贷行业呈爆发性增长态势。截至2018年12月,我国P2P网贷行业的累计成交额达到80287.42亿元。截至2019年4月,我国累计成立的P2P网贷平台共6600余家,当月涉及的投资人数达215.09万人。P2P网络借贷已成为我国财富管理市场中不可忽视的重要组成部分。然而与此同时,平台自融假融、资金提现困难、平台携款跑路等乱象也层出不穷,大量平台纷纷停业、转型,仍在运营的平台数量日益减少。这不仅对投资者的个人利益造成严重威胁,也阻碍了我国“互联网+金融”的健康发展。因此,如何对P2P网贷平台的信用风险进行识别成为了投资者关注的重点问题。然而,对于投资者个人而言,获取大量P2P网贷平台的详细信息较为困难,这不仅需要投资者掌握一定的网络数据采集技术,而且要求其能够对采集到的数据进行预处理,这就导致投资者个体对平台信用风险的识别能力十分有限。基于上述现状,笔者将研究主题确定为P2P网贷平台的风险识别,即基于能够获取到的信息,研究采用哪种模型能够更好地揭示出与平台风险相关的属性X和平台信用状态Y之间的潜在关联规律,从而对当前运营平台的信用状态做出预测,辅助投资者进行理性投资,...
【文章来源】：云南财经大学云南省
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
我国P2P网贷平台的数量增长状况
技术路线图
第二章研究对象和研究方法17（6）使用步骤（5）中得到的T个CART决策树分别对同一未见示例进行预测，然后使用投票法对T个预测结果进行组合，将得票数最高的类别作为该未见示例的最终预测结果，如果多个类别在分类预测时获得相同票数，则从中随机选取一个。（三）随机森林随机森林（RandomForest，简称RF）由Bagging衍生而来。在Bagging模型中，传统的决策树是在当前结点对应的所有属性中，选取最优属性作为划分属性；而在随机森林中，则是先从结点对应的所有属性中随机抽取k个属性，然后再从中选择最优划分属性。（四）前馈反向传播神经网络前馈反向传播神经网络采用BP（errorBackPropagation）算法。使用数据集1122{(,),(,),,(,)},,dlmmiiD=xyxyxyxy，训练得到如图2-3所示的前馈反向传播神经网络，其中的参数含义如表2-1所示。图2-3前馈反向传播神经网络66图片来源：周志华，《机器学习》（第一版），第102页.
【参考文献】：
期刊论文
[1]基于随机森林分类模型的P2P网络借贷标的信用风险因子研究[J]. 马春文,赵慧,李琪. 吉林大学社会科学学报. 2019(03)
[2]基于集成学习的中国P2P网络借贷信用风险预警模型的对比研究[J]. 操玮,李灿,贺婷婷,朱卫东. 数据分析与知识发现. 2018(10)
[3]P2P借贷中的投资人羊群行为研究——基于平台发展视角[J]. 杨晓琴,张经纶,黄健青. 兰州财经大学学报. 2018(04)
[4]P2P网络借贷平台风险识别研究[J]. 梁闪,宋良荣. 物流科技. 2018(01)
[5]P2P问题平台的风险识别——来自1945家P2P平台的经验证据[J]. 郭金秀,张婉娴. 统计与管理. 2017(11)
[6]基于Stacking集成策略的P2P网贷违约风险预警研究[J]. 丁岚,骆品亮. 投资研究. 2017(04)
[7]我国P2P网贷市场的羊群行为及其决策理性研究[J]. 陈冬宇,郑海超. 管理评论. 2017(01)
[8]P2P网络借贷问题平台特征分析及投资者识别——来自222家平台的证据[J]. 王修华,孟路,欧阳辉. 财贸经济. 2016(12)
[9]借款人描述性信息对投资人决策的影响——基于P2P网络借贷平台的分析[J]. 李焰,高弋君,李珍妮,才子豪,王冰婷,杨宇轩. 经济研究. 2014(S1)
[10]基于模糊神经网络的企业信用风险评估模型研究[J]. 楼裕胜. 中南大学学报(社会科学版). 2013(05)
硕士论文
[1]一种面向P2P网络借贷平台运营风险评估方法[D]. 刘盼.南京邮电大学 2018
[2]P2P网络借贷信用风险评估与管理研究[D]. 李冬梅.电子科技大学 2018
[3]基于P2P网络借贷的个人信用风险评估[D]. 彭康.暨南大学 2018
[4]基于数据挖掘技术的P2P网贷平台风险识别研究[D]. 康嘉容.吉林财经大学 2018
[5]面向P2P网络借贷平台的大数据个人用户信用风险控制研究[D]. 汪洋.东南大学 2018
[6]支持向量机在P2P借款人信用风险评估中的应用[D]. 赖莹.电子科技大学 2018
[7]P2P网贷平台风险评价研究[D]. 崔炎炎.北方工业大学 2018
[8]基于舆情分析与文本主题的P2P平台风险评估模型[D]. 张晓明.浙江大学 2018
[9]p2p借款人信用风险研究[D]. 陈丽.华东政法大学 2016
[10]基于BP神经网络与半监督学习的网贷平台信用评估模型[D]. 叶夏菁.浙江大学 2015
本文编号：3037172
【文章来源】：云南财经大学云南省
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
我国P2P网贷平台的数量增长状况
技术路线图
第二章研究对象和研究方法17（6）使用步骤（5）中得到的T个CART决策树分别对同一未见示例进行预测，然后使用投票法对T个预测结果进行组合，将得票数最高的类别作为该未见示例的最终预测结果，如果多个类别在分类预测时获得相同票数，则从中随机选取一个。（三）随机森林随机森林（RandomForest，简称RF）由Bagging衍生而来。在Bagging模型中，传统的决策树是在当前结点对应的所有属性中，选取最优属性作为划分属性；而在随机森林中，则是先从结点对应的所有属性中随机抽取k个属性，然后再从中选择最优划分属性。（四）前馈反向传播神经网络前馈反向传播神经网络采用BP（errorBackPropagation）算法。使用数据集1122{(,),(,),,(,)},,dlmmiiD=xyxyxyxy，训练得到如图2-3所示的前馈反向传播神经网络，其中的参数含义如表2-1所示。图2-3前馈反向传播神经网络66图片来源：周志华，《机器学习》（第一版），第102页.
【参考文献】：
期刊论文
[1]基于随机森林分类模型的P2P网络借贷标的信用风险因子研究[J]. 马春文,赵慧,李琪. 吉林大学社会科学学报. 2019(03)
[2]基于集成学习的中国P2P网络借贷信用风险预警模型的对比研究[J]. 操玮,李灿,贺婷婷,朱卫东. 数据分析与知识发现. 2018(10)
[3]P2P借贷中的投资人羊群行为研究——基于平台发展视角[J]. 杨晓琴,张经纶,黄健青. 兰州财经大学学报. 2018(04)
[4]P2P网络借贷平台风险识别研究[J]. 梁闪,宋良荣. 物流科技. 2018(01)
[5]P2P问题平台的风险识别——来自1945家P2P平台的经验证据[J]. 郭金秀,张婉娴. 统计与管理. 2017(11)
[6]基于Stacking集成策略的P2P网贷违约风险预警研究[J]. 丁岚,骆品亮. 投资研究. 2017(04)
[7]我国P2P网贷市场的羊群行为及其决策理性研究[J]. 陈冬宇,郑海超. 管理评论. 2017(01)
[8]P2P网络借贷问题平台特征分析及投资者识别——来自222家平台的证据[J]. 王修华,孟路,欧阳辉. 财贸经济. 2016(12)
[9]借款人描述性信息对投资人决策的影响——基于P2P网络借贷平台的分析[J]. 李焰,高弋君,李珍妮,才子豪,王冰婷,杨宇轩. 经济研究. 2014(S1)
[10]基于模糊神经网络的企业信用风险评估模型研究[J]. 楼裕胜. 中南大学学报(社会科学版). 2013(05)
硕士论文
[1]一种面向P2P网络借贷平台运营风险评估方法[D]. 刘盼.南京邮电大学 2018
[2]P2P网络借贷信用风险评估与管理研究[D]. 李冬梅.电子科技大学 2018
[3]基于P2P网络借贷的个人信用风险评估[D]. 彭康.暨南大学 2018
[4]基于数据挖掘技术的P2P网贷平台风险识别研究[D]. 康嘉容.吉林财经大学 2018
[5]面向P2P网络借贷平台的大数据个人用户信用风险控制研究[D]. 汪洋.东南大学 2018
[6]支持向量机在P2P借款人信用风险评估中的应用[D]. 赖莹.电子科技大学 2018
[7]P2P网贷平台风险评价研究[D]. 崔炎炎.北方工业大学 2018
[8]基于舆情分析与文本主题的P2P平台风险评估模型[D]. 张晓明.浙江大学 2018
[9]p2p借款人信用风险研究[D]. 陈丽.华东政法大学 2016
[10]基于BP神经网络与半监督学习的网贷平台信用评估模型[D]. 叶夏菁.浙江大学 2015
本文编号：3037172
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3037172.html
