博士论文合集-基于机器学习的信用风险和预测模型和研究（2026年7月）

作者toby来源博士论文合集-基于机器学习的信用风险和预测模型和研究大家好我是重庆未来之智的Toby老师今天为大家带来11篇博士毕业论文包括个人信贷和企业信贷场景。如果有论文定制服务需求可留言。1.博士论文复现-小企业信用模型评价及信用风险评估基于流水数据的视角题目小企业信用模型评价及信用风险评估基于流水数据的视角-西财博士毕业论文作者徐雍西南财经大学背景中小微企业贡献了我国60%以上的GDP和80%的就业但“融资难”始终是悬在它们头顶的一把剑。西南财经大学徐雍的博士论文《小企业信用模型评价及信用风险评估基于流水数据的视角》为这一难题提供了新的解题思路。这篇论文的核心判断简洁有力中小微企业财务数据缺失、不可靠且信用风险具有明显的动态性和突发性导致传统基于静态财务数据的信用评估模型失效。而银行恰恰坐拥一座尚未充分挖掘的“数据金矿”——实时更新的企业交易流水数据。作者的破题路径由此展开用流水数据替代财务数据同时重新设计一套兼顾“利润”与“风险”的模型评价和特征选择体系。关键词 信用评分;模型评价指标;特征选择;现金流水数据;条件在险价值;模型利润;模型风险;专辑 经济与管理科学专题 企业经济;金融DOI 10.27412/d.cnki.gxncu.2021.002690分类号 F832.4;F276.3导师 寇纲学科专业 大数据管理博士电子期刊出版信息 年期2022年第10期 网络出版时间2022-09-16—2022-10-15更多信息参考小企业信用模型评价及信用风险评估基于流水数据的视角-西财博士毕业论文2.211博士论文复现-基于机器学习的公司债券违约风险估计黄颖 西南财经大学摘要2007年我国开始发行企业债券借着经济发展的东风公司债券的发展十分快速。直到2014年3月国内公司债券出现了第一例违约事件。可以说这并非偶然在随后的几年里债券违约事件越发频繁尤其是在2018年后债券违约的数量及规模如火箭般直线上升究其原因是国内企业制度、市场发展、市场监督、投资者素质等各方面的因素综合起来造成。通过对近些年来我国金融市场的发展进行洞悉发现诸如信贷违约、信托违约等越来越多的违约事件出现给市场发展带来了很多不确定性。基于高投资回报的诱惑人们往往经不住诱惑在诱惑面前缺失理性抱有侥幸心理挺而走险导致各种违规违法事件出现市场风险加剧。这篇文章通过进一步研究分析这些上市企业的对外财务报表基于盈利、经营、偿债能力等指标分析公司的财务状况并深入判断财务风险从财务风险的角度去分析公司债券可能面临的信用风险等等进一步帮助企业做出投资决策。即使财务比率、财务报告在很多时候都会被质疑财务造假、财务被粉饰这些情况出现考虑到当前市场和学术界的情况使用财务信息是辨别信贷风险的最简单、最有效的方法。在这篇文章中我们避免使用由许多条件和模型的实用性所限制的复杂模型。由于通常需要基于财务信息的优点来建立和使用模式所以其适用性很容易被投资者接受。据专家介绍考虑到时间、成本和有效性首先需要选择财务信息。而且从实际应用效果来看上市公司发行的债券有可能发挥非常好的风险判断效果。即便在判定风险是无法作出一个比较清晰明了的量化性定义但通过判断投资人能够以自身的实际情况来决定自己自己是否需要对该企业做投资。本文中笔者在机器学习的理论基础和数学原理以及数据挖掘的实际操作方法进行了具体的研究证明了数据清洗和数据降维在使用机器学习训练算法的过程中的举足轻重的地位使用了SPSS这一强大的数据处理软件和Python这个新晋的编程界顶流软件通过实证分析验证了模型的可信度。用SPSS进行了数据处理和独立性T检验等工作利用Python编程软件分别验证了决策树模型和LightGBM模型的在评估企业信用风险方面的准确性并对其评估结果进行对比总结出一个最好的方式。还原关键词信用风险公司债券财务风险机器学习专辑经济与管理科学专题企业经济金融证券投资DOI10.27412/d.cnki.gxncu.2021.003081分类号F832.51F275导师刘强学科专业金融知网收录为博士毕业论文 博士电子期刊出版信息年期2022年第11期 网络出版时间2022-10-16—2022-11-15 万方收录为硕士毕业论文更多相关信息参考基于机器学习的公司债券违约风险估计-211博士论文复现3.985博士论文复现-基于数据挖掘的信用卡个人信用风险评估研究题目基于数据挖掘的信用卡个人信用风险评估研究作者张秋菊北京理工大学北京市211工程院校985工程院校一流大学摘要近年来随着我国经济不断发展居民收入水平持续提高购买力越来越强作为主要支付结算方式之一的信用卡也得到了普遍的推广。与之伴随的是信用卡风险问题不断升级。对信用卡用户进行信用风险评估对银行降低风险、减小损失意义重大。本研究在回顾国内外目前对于信用卡风险评估的一些研究现状的基础上分析了信用卡风险的概念和特点、信用卡风险的类型并比较了个人信用风险评估常用的几种技术方法的优劣点。然后针对信用卡申请时的信用风险评估问题考虑到信用卡申请人递交的申请资料冗余属性多的特点建立了基于随机森林的属性约简模型。又由于银行在实际处理信用卡申请的过程中大多产生的是不平衡数据本研究结合前人的一些数据处理方法提出了对数据进行再平衡的SMOTE-UNDER方法并在一些UCI数据集上进行了实验实验结果表明本研究提出的方法确实能有效处理不平衡数据的分类问题。在此基础上本研究提出了基于GA-SVM的信用卡客户申请人信用风险评估模型。该模型利用遗传算法对SVM的两个重要参数进行优化能有效提高预测精度。针对交易阶段的持卡人信用风险细分问题本研究通过对一般常见的信用风险的类型及其在交易行为上的表现进行分析提出了相应的风险评估方法。关键词信用卡信用风险风险管理数据挖掘风险评估逾期还款专辑经济与管理科学专题金融DOI10.26948/d.cnki.gbjlu.2017.000903分类号F832.4导师李金林学科专业管理科学与工程博士电子期刊出版信息年期2021年第07期网络出版时间2021-06-16—2021-07-15更多信息参考《985博士论文复现-基于数据挖掘的信用卡个人信用风险评估研究》4.985博士毕业论文复现-《我国中小企业信用风险度量研究识别企业财务作假难题题目我国中小企业信用风险度量研究识别企业财务作假难题过新伟 南开大学摘要中小企业Small and Medium EnterprisesSMEs在我国经济社会发展中发挥着日益重要的作用。但是长期以来由于各种原因中小企业一直面临融资难的问题引起了政府部门、商业银行等社会各界的广泛关注。影响中小企业融资难有多方面的原因但是其中最根本的原因是商业银行与中小企业之间存在信息不对称问题。本文认为解决银企间信息不对称的重要方法是发展一套适合评估中小企业信用风险的度量方法从而在对中小企业信用风险进行准确衡量的基础上开展授信工作能够极大地缓解中小企业融资难问题。基于上述认识本文对我国上市中小企业和非上市中小企业的信用违约风险进行实证研究采用离散选择模型实证分析了影响中小企业信用风险的财务因素和非财务因素并建立了信用风险预警模型。具体来说本文的主要发现和结论有如下两点第一对上市中小企业而言我们以财务失败事件ST事件作为信用风险的代理指标使用改进后的Logistic模型构建信用违约模型。研究发现一方面有必要按企业规模分层次对中小企业单独建模以获得更好的风险度量效果。另一方面在财务指标基础上加入公司治理指标能显著提高……关键词中小企业信用风险度量模型专辑经济与管理科学专题企业经济金融分类号F832.4F275F276.3导师梁琪学科专业金融学博士电子期刊出版信息年期2014年第07期 网络出版时间2014-06-16—2014-07-15更多相关信息点击我国中小企业信用风险度量研究识别企业财务作假难题5.博士毕业论文复现-《多场景下中小微企业信用风险量化与信贷决策研究》**摘要**伴随着我国金融市场的日益发展中小微企业已成为我国经济社会发展的生力军是市场主体中的重要力量。中小微企业具有经营方式灵活组织成本低廉且转移便捷的特点能够适应多样化的市场需求与消费者需求在扩大就业、改善民生、促进稳定和国家税收等方面都扮演着重要角色。然而由于企业规模较小实力较弱资信度低经营状况不稳定缺乏有效的抵质押物经济贡献与银行融资规模不匹配等问题的存在导致大部分中小微企业面临融资难、融资贵的困境。因此根据中小微企业的发展现状建立科学有效的信用评估和风险评价方法体系对中小微企业的融资模式创新、风险管理应对、以及金融服务监管等方面都具有重要意义。目前金融机构普遍利用财务数据进行信用评估以施行放贷与风险控制信用风险是最受关注的风险之一。现有中小微企业信用评分模型存在以下问题在企业信用评级中需要大量的历史数据而中小微企业普遍存在财务数据不健全或数据缺失现象导致信用评级效果差现有指标赋权方法不能反映指标对违约企业和非违约企业的鉴别能力现有模型未考虑中小微企业信贷风险量化策略对突发因素的应对变化大多数研究均未考虑关联企业之间的交互影响在大数据时代各种非财务数据源也应该被引入信用评估以提高信用评估策略的合理性和有效性。结合上述问题本论文的研究工作主要从以下五个方面展开。(1)基于改进梯度下降和集成学习的中小微企业信贷决策研究银行考虑是否给中小微企业放贷时会着重参考中小微企业的自身实力和信誉等级。鉴于此结合国内外权威金融机构认可的高频指标筛选量化信贷记录中的核心指标。然后以银行贷款收益最大化、客户流失率最小化、客户违约风险最小化为目标考虑银行贷款额度、贷款利率、企业违约概率等约束建立银行信贷策略的非线性多目标规划模型。构建满足信用等级越高、违约损失率越低为目标的中小微企业信用评级体系并利用集成学习思想基于梯度下降算法进行迭代优化对模型求解确定银行的最佳信贷策略。最后与决策树算法和BP(Back Propagation)神经网络模型进行比较。结果表明本章所设计模型的预测准确率达到96.76%有较大的提升验证了模型的有效性。(2)基于双层XGBoost的信息不完备场景下信贷决策研究通过利用收集到的少量有信贷记录的中小微企业数据提出一种双层XGBoost(eXtreme Gradient Boosting)的预测方法。通过XGBoost对有信贷记录的企业数据集进行训练从而针对无信贷记录的企业设计双层XGBoost算法实现对无信贷记录企业的违约情况和信用评级进行预测。以银行贷款收益最大化、客户违约风险最小化为目标建立中小微企业信贷策略模型并使用粒子群算法求解。同时采用k折交叉验证方法解决小规模数据集可能带来的预测不准确问题提高模型的预测准确度。最后利用AUC(Area Under Curve)、ACC(Accuracy)、MSE(Mean Squared Error)等性能指标进行对比分析。结果显示与其它预测模型相比双层XGBoost模型的预测效果在不同预测流程下均是最佳的体现了文中构建的双层XGBoost模型的优越性。(3)基于突变级数法的突发因素影响下风险量化策略研究突发因素对不同行业的中小微企业会有不同影响。为了研究金融机构的信贷策略如何进行优化调整基于新冠疫情的实际背景利用收集到的中小微企业相关数据对企业进行分类。综合考虑宏观和微观影响将突变级数法应用于突发状况下银行对企业信贷策略的调整。并利用主成分分析法、组合权重法对企业的信贷风险进行量化分析将各类企业受疫情的影响程度分5类以确定银行的信贷调整策略。再利用遗传算法得到最终的信贷最优策略。最后通过仿真实验验证了模型的有效性和可行性。(4)基于马尔可夫随机场和企业关联知识图谱的信贷决策研究利用收集得到的少量有信贷记录的中小微企业相关数据通过整理中小微企业的进销项数据充分挖掘各企业之间的关联程度。将信用等级评级从只考虑企业自身的局限性中跳脱出来增加考虑企业之间关联性对企业信用评级的影响。通过建立改进马尔可夫随机场模型利用搜索算法Bean Search更新已知的企业信用评级。再利用遗传算法求解信贷策略模型为银行针对中小微企业的放贷策略提供指导。实验表明融合考虑企业间的相关性之后可以得到更全面、更准确的信贷决策结果。(5)基于多模型融合的大数据量场景下信贷决策研究论文在已有研究的基础上构建了一个基于特征选择和通道注意力机制的多模型融合算法算法使用了相关系数法和GBDT(Gradient Boosting Decision Tree)对原始特征进行筛选。通过与基模型、堆叠模型、融合模型等常见模型对比验证了构建的NABS(NN-ATT-Bayesian-Stacking)模型预测结果较为理想AUC值达到了0.9675。与堆叠模型中设计的基于注意力机制的卷积神经网络结合长短记忆神经网络模型相比AUC值提高了4%5%说明构建的模型具有较好的鲁棒性可以在中小微型企业融资、贷款等场景下做出准确可靠的评估。关键词信贷风险评估信贷决策突发因素企业关联性融合模型专辑经济与管理科学专题企业经济金融投资DOI10.27671/d.cnki.gcjtc.2023.001585分类号F832.4F276.3F275导师宋乾坤学科专业管理科学与工程博士电子期刊出版信息年期2025年第03期网络出版时间2025-02-16—2025-03-15更多相关信息参考博士论文合集-基于机器学习的企业信用风险预测模型和研究6.博士毕业论文复现-《高维非平衡环境下的信用评估方法研究》**摘要**信用评估是金融业的重要组成部分并且对金融业的发展具有促进和推动作用。它不仅可以帮助金融机构降低贷款违约的风险提高贷款效率促进金融市场稳定还可以提高金融服务质量从而促进金融业的健康发展。信用评估是一种评估借款人信用状况的方法旨在帮助金融机构识别借款人的信用风险。通过对借款人的信用历史、收入、资产等因素进行评估金融机构可以识别借款人的信用风险从而决定是否授予贷款。随着大数据和机器学习方法的进步基于机器学习方法的信用评估方法研究成为热门应用研究之一。然而在现实应用场景中的信用评估问题中通常面临着样本层面的类别分布不均衡特征层面的特征数量过大冗余特征较多等问题。此外在金融机构实际的信用评估场景中还存在着一些算法模型之外的问题。例如机器学习的可解释性较弱导致的被采用率较低以及申请人提供的信息造假和欺诈等问题。为了解决以上这些问题本项研究从文献梳理出发通过银行信贷机构的实地调研发现金融机构在真实的信用评估场景下遇到的典型问题。针对信用数据样本层面的类别分布失衡以及特征层面的筛选和冗余特征去除等问题提出了对应的改进方法并分析了这些方法的应用价值。具体来说本文的研究包括以下几个部分首先为了了解真实应用场景下金融机构在进行信用评估时所面临的主要问题和挑战研究使用访谈法、资料收集法等方法对银行的信贷部门进行了实地调研。所得到的调研发现帮助本项研究进一步聚焦关键的研究问题并将研究问题同实践应用相结合。基于以上工作在方法层面针对信用评估中存在的高维非平衡现象本项研究提出了4种改进的信用评估模型。第二针对信用数据中存在的样本分布类别失衡问题在现有研究的基础上提出了改进的基于聚类和距离度量的非平衡数据学习方法。此外还在此基础上构建了基于多类重采样方案的非平衡集成学习框架并对不同的组合方式进行了实验对比和验证。第三针对信用评估问题中少数类样本过于稀少难以使用欠采样方法的应用场景提出了基于生成式神经网络的数据增强方法和基于聚类和距离度量的欠采样方法相结合的非平衡学习算法。这种融合了数据增强和欠采样的方法可以更好地应对少数类样本稀疏的非平衡学习问题。第四针对信用评估中的特征冗余和选择问题提出了改进的两阶段特征选择模型。通过将过滤法和启发式优化算法进行结合使用两阶段模型进行特征筛选可以提高信用评估问题中特征选择的效率和精确度。最后考虑到信用评估问题中经常会出现的样本层面的类分布失衡和特征层面的特征冗余问题结合以上关于非平衡学习和特征选择的方法本文提出了改进的同时使用样本层面方法和特征层面处理方法的信用评估综合模型。这种模型可以用来解决高维非平衡情境下的信用评估问题。此外基于银行实地调研中所发现的信用评估现状和主要问题和挑战本文还给出了针对银行等信贷机构在实践应用层面的建议以及信用体系中其它主体的改进建议。本项研究在理论层面提出了四种分别用来解决机器学习中非平衡学习和特征选择的改进模型在实践层面基于信用评估数据集的测试结果表明提出的改进方法可用来提升信用评估模型的表现。此外结合银行的实地调研的一手资料本文在最后给出了改善实际信用评估应用场景中问题的建议和对策。关键词非平衡学习特征选择机器学习方法信用评估金融科技专辑信息科技经济与管理科学专题自动化技术金融DOI10.27412/d.cnki.gxncu.2023.000025分类号F831.2TP181导师寇纲学科专业大数据管理博士电子期刊出版信息年期2024年第04期网络出版时间2024-03-16—2024-04-15更多相关信息参考博士论文合集-基于机器学习的企业信用风险预测模型和研究7.博士毕业论文复现-《小微企业信用评分激发商业银行贷款意愿与实现方法研究》**摘要**小微企业作为社会经济发展的重要动力源泉和组成部分在促进经济发展、增加就业机会和激发创新活力等方面发挥着举足轻重的作用。一直以来党中央、国务院、省市各级政府及监管部门高度重视小微企业融资问题通过一系列的政策措施激励和引导商业银行持续加强小微企业信贷投放商业银行也开始积极探索小微企业信贷技术模式并取得了一定成效。然而在小微企业信贷批量化发展的大前提下商业银行对小微企业的户均信贷金额越小普惠效益越大但难度随之增大与小微企业巨大的信贷融资需求相比仍呈现出信贷供给不足的问题因此要解决小微企业贷款难难在改变商业银行放贷偏好激发商业银行贷款意愿这也是当前金融供给侧改革破题的关键。对此本文从小微企业信贷技术发展的角度出发基于缓解信息不对称、降低交易成本两个方面研究一项信贷技术是如何有效激发商业银行小微企业贷款意愿通过有效的实施和部署进而解决小微企业中长尾端客户信贷需求实现小微企业信贷市场内生化长效发展这也是本文研究小微企业信用评分技术的重要原因所在。小微企业信用评分(Small Business Credit Scoring以下简称SBCS)作为一项小微信贷技术自20世纪90年代开始在美国商业银行逐步推广及普及并被日本、加拿大、澳大利亚等国家广泛应用大量的经验证明SBCS技术在提高审批效率、实现小微信贷批量化发展等方面发挥着重要作用。因此基于我国当前已形成的小微企业信贷技术模式及路径研究并借鉴国外SBCS实践的经验和做法有利于激发我国商业银行小微企业贷款意愿突破发展瓶颈这既是我国社会经济稳定发展、深化金融供给侧改革、我国政府及银行监管部门管理职责的外在要求也是商业银行多元化发展、调整信贷结构、平衡收益与风险的内在要求具有一定的理论意义和现实意义。基于上述原因本文首先运用面板数据模型结合商业银行小微企业信贷技术模式和特点分析研究不同类型商业银行信贷技术发展对其小微企业贷款意愿的激发力度总结作为量化评估技术的SBCS符合商业银行信贷技术路径和业务发展内在需求可有效激发贷款意愿。同时通过介绍SBCS的原理、特征等运用长尾效应和演化博弈论解释其可有效激发商业银行贷款意愿的机理和条件随后从SBCS技术的数据化和预测性两个重要特征实现方法开展研究并基于Ⅳ值测度对K-means、Chi-Merge及CART算法各特征分箱的结果进行优化整合再分别运用Elastic Net逻辑回归和一维卷积神经网络构建SBCS。最后根据我国实际情况提出相关实践建议总结主要研究成果。在具体内容方面全文分为六章其中前三章中除导论部分外主要研究SBCS如何激发商业银行贷款意愿第四章和第五章主要研究SBCS的实现方法最后一章是建议和结论各章节内容具体如下第一章 导论部分。主要阐述选题的背景和意义对国内外SBCS相关研究文献进行系统梳理介绍论文研究框架、内容、方法及主要创新点和不足等。第二章 主要研究哪一种小微企业信贷技术可有效激发商业银行贷款意愿。首先从小微企业定义、融资需求特点等分析得出当前我国小微信贷市场上存在信贷供给不足的问题特别是对小微企业中长尾端客户信贷供给不足因此需从供给端角度研究商业银行贷款意愿问题。基于此以当前我国不同类型商业银行已形成的信贷技术模式为切入点通过总结和提炼小微企业信贷技术发展的三个阶段特点运用面板数据模型分析论证基于交易型贷款技术的量化评估技术是小微企业信贷技术发展的趋势可有效激发商业银行贷款意愿而SBCS属于该类技术。第三章 主要研究小微企业信用评分如何有效激发商业银行贷款意愿。通过介绍SBCS发展历史、原理等结合其基本特征及对商业银行的影响从理论和实践两个方面分析SBCS激发商业银行小微企业贷款意愿的机理。在理论方面从静态理论角度运用长尾效应分析SBCS如何改善小微企业信贷市场中的信贷配给从动态理论角度运用演化博弈论分析SBCS长期有效的条件。在实践方面通过对发达国家及发展中国家商业银行SBCS实践情况分析该技术在激发贷款意愿时的相关经验和启示。第四章 主要分析小微企业信用评分有效实现方法有哪些。以SBCS两个特征入手首先从数据化特征研究数据共享模式和运用替代数据如何解决构建SBCS基础性问题即数据的有效来源问题。同时从预测性特征研究如何有效构建SBCS模型包括特征分析中运用K-means、Chi-Merge及CART算法分箱及优化整合方法及Elastic Net逻辑回归和一维卷积神经网络在评分模型构建的基础方法及优化方法。最后从微观实践的两个典型开发案例即通用型SBCS-费埃哲开发的小微企业评分服务及定制型SBCS-富国银行开发的企业通来介绍开发SBCS的相关方法、经验及实践效果。第五章 是根据小微企业信用评分有效实现方法开展实证研究。运用某区域商业银行小微企业相关数据构建SBCS模型该数据集除大部分特征具有硬信息属性外还包含相关替代数据即纳税数据的运用贴近小微企业信贷业务实际。在特征分析中分别运用K-means、Chi-Merge及CART算法实现特征分箱并根据Ⅳ值测度对分箱结果进行整合优化再分别运用Elastic Net逻辑回归和一维卷积神经网络完成模型训练用测试集对预测效果进行检验最终实现分数的转换完成SBCS模型的构建。第六章 是实践建议与主要结论。通过分析当前我国小微企业信用评分实践现状、存在的问题及有利的条件从国家顶层设计层面和商业银行执行层面两个方面提出建议建议构建以征信机构通用型信用评分与各商业银行定制型信用评分的多维度的小微企业风险评估与价值发现体系最后综合全文研究得出主要结论并对下一步的研究方向进行展望。结合以往的研究本文的创新点如下一是分析了不同类型商业银行信贷技术发展与激发其小微企业贷款意愿之间的关系。在使用熵权法构建商业银行小微企业贷款意愿评价指标后运用面板数据模型分析国有商业银行、全国股份制商业银行及城市商业银行三类银行信贷技术发展对小微企业贷款意愿的激励作用其中对全国股份制商业银行意愿激励最强其次是国有商业银行、最后是城市商业银行通过结合三类商业银行的信贷技术特点及技术发展路径进而论证了作为交易型贷款的量化评估技术是小微企业信贷技术发展的趋势和方向可有效激发商业银行小微企业贷款意愿。二是从静态理论和动态理论两个方面分析小微企业信用评分如何激发商业银行小微企业贷款意愿。在静态理论方面运用长尾效应分析当SBCS在有效识别风险的情况下所产生的经济效应和规模效应将有利于激发商业银行贷款意愿并实现小微企业信贷市场中信贷配给的改善。在动态理论方面当考虑时间因素时运用演化博弈论方法分析实现SBCS技术长期有效的条件结论是除SBCS有效改进效率必须大于临界值外更重要的是要确保商业银行对小微企业相关特征数据采集的便利性和有效性。三是尝试运用不同于传统模型方法来构建小微企业信用评分并取得良好效果。除在特征分析中运用K-means、Chi-Merge及CART算法进行特征分箱并根据Ⅳ值实现分箱结果的整合优化外在SBCS的构建上本文运用了一种基于逻辑回归的Elastic Net优化方法该方法可使得模型如L1正则化一样实现模型的稀疏又能保持如L2的正则化性质提升模型的泛化能力。与此同时鉴于神经网络作为深度学习方法在特征的提取和预测方面具有良好的拟合能力并开始在信贷欺诈识别中运用但目前很少有文献运用一维卷积神经网络解决预测问题特别是运用该方法构建SBCS几乎没有本文通过对分箱后的特征进行重要性排序在转化为序列数据后尝试运用一维卷积神经网络构建SBCS模型并运用归一化方法和Dropout正则化方法对模型进行优化其模型整体预测效果即F1得分、准确率均优于逻辑回归模型及非序列特征数据下的神经网络模型。关键词小微企业信用评分商业银行贷款意愿长尾效应演化博弈Elastic Net逻辑回归一维卷积神经网络专辑经济与管理科学专题企业经济金融投资DOI10.27006/d.cnki.gdbcu.2022.001280分类号F832.4F276.3导师王志强学科专业金融工程博士电子期刊出版信息年期2023年第09期网络出版时间2023-08-16—2023-09-15更多相关信息参考博士论文合集-基于机器学习的企业信用风险预测模型和研究8.博士毕业论文复现-《商业银行互联网贷款信用风险评估及客户特征发现》商业银行互联网贷款信用风险评估及客户特征发现作者刘帅祺学校北京科技大学**摘要**2020年至2022年间我国银保监会先后出台的《商业银行互联网贷款管理暂行办法》、《关于进一步规范商业银行互联网贷款业务的通知》文件内容揭示了信用风险管理及风险模型的建立是互联网借贷行业在新形势下的关注重点和工作重心强调商业银行应加强自主风控能力进一步完善以风险管控为核心的贷款管理。金融科技的运用使得信用风险识别更加准确且高效技术驱动下的信贷数据挖掘核心价值在于通过对历史数据的训练识别和预测可能出现的信用风险并从历史数据中充分学习与风险相关的特征为有关机构带来有效的决策支持。基于数据挖掘的信贷风险管理中面临的问题包括客户细分视角单一且现有方法适用性不强导致的贷款针对性不足由于信贷数据具有严重的数据不均衡、属性维度高且包含的信息混杂等特征导致风险评估不精确、客户特征刻画不充分等实际问题。因此信贷数据挖掘任务具有一定特殊性和挑战性需要更先进的挖掘方法以适应信贷数据特征和业务特点提高信贷风险识别能力。面向以上实际问题本论文研究的科学问题包括(1)以违约风险和误分程度为视角的信贷客户细分。基于异质集成学习方法以违约风险为视角对信贷客户进行细分并研究不同客户细分类间的特征差异。(2)以解决数据不均衡问题和降低实际误分损失为目标的违约风险评估。结合误分损失、误分程度等因素构建客户细分类的样本关注度矩阵提出融合样本关注度矩阵的随机森林提升算法(FOMBRF)。(3)分类分析空间识别。针对信贷数据高维且包含信息混杂等问题基于业务理解进行数据理解提出考虑业务流程的信贷数据属性划分方法并结合客户细分形成信贷数据对象-属性空间划分方法。基于划分后的数据实现对不同客户细分类、以不同维度信息多角度挖掘客户特征。本论文的主要创新性成果如下(1)提出以违约风险和误分程度为视角的信贷客户细分模型及风险特征学习方法。传统的客户细分多以客户价值、客户流失为视角以精准营销为研究目标而信贷客户细分的目标在于风险管理。借鉴异构集成学习思想通过多个基分类器对信贷数据的预测结果发现具有相同类别标签的客户间也存在不同程度的违约风险。进而根据基分类器预测结果对客户进行风险评级并以违约风险为视角将信贷客户细分为八类包括最高违约风险类客户、目标客户、最易误分的非履约类客户、最高潜在风险类客户等并挖掘了客户细分类间重要风险特征为信贷客户细分和客户特征的研究提供了新的视角和方法。此外在数据严重不均衡的信贷数据机器学习任务中对于易被错分的少数类风险样本的准确识别对进一步模型优化及降低机构损失具有重要意义。(2)基于融合关注度矩阵的随机森林提升模型(FOMBRF)的信贷违约风险预测。传统针对不平衡数据分类任务多以通过不同准则改变样本分布或合成新的少数类样本以提升训练结果但会造成不同程度的信息损失或信息失真。结合模型对每个客户细分类样本的误分程度及每个客户细分类的实际误分损失两方面因素提出模型样本关注度矩阵(FOMA)以针对性的提高模型对高风险、高损失、难分类样本的学习程度。分析了分类模型方差、偏差间关系结合Bagging策略及Boosting策略两者优势提出了随机森林提升算法(Boosting-RF)以降低模型方差及偏差并通过对比实验分析对所提算法进行验证。结合所提样本关注度矩阵及Boosting-RF算法提出融合关注度矩阵的随机森林提升算法进行违约风险预测。通过对比实验的模型度量结果及模型带来的实际损失的降低验证了所提算法在信贷风险分类任务中的有效性及实用价值。(3)基于信贷数据对象-属性空间划分的信贷客户特征研究。传统的特征降维方法会造成不同程度的信息损失且将有价值的借款人相关特征过滤。针对信贷数据维度高、信息混杂带来的客户风险特征难刻画的实际问题本研究基于业务理解进行数据理解结合信息流程特征及信息类别提出考虑业务流程的信贷数据属性划分方法将全部属性划分为贷前类信息和贷后类信息共六类其中贷前信息包括借款人基本信息类属性、贷款申请信息类属性及贷款标的信息类属性等。基于属性划分后的数据实现以不同信息维度出发以不同变量为分类目标对借款人特征进行多角度刻画充分挖掘贷前信息中蕴含的知识以指导授信及审批决策。结合本文所提的信贷客户细分方法解决了信贷数据对象-属性的空间划分问题。根据所提方法本文实现了对最高违约风险类客户、目标客户、最易误分的非违约类客户及最高潜在风险类客户等四类客户分别以借款人基本信息、贷款申请信息及贷款标的信息为视角以具体规则描述了客户特征为授信批复和针对性的贷后管理提供了高价值高效的决策支持。关键词数据挖掘信贷客户细分违约风险预测信贷客户特征集成学习专辑信息科技经济与管理科学专题自动化技术贸易经济金融投资DOI10.26945/d.cnki.gbjku.2023.000344分类号TP181F832.4F724.6F713.55导师武森学科专业管理科学与工程博士电子期刊出版信息年期2024年第01期更多相关内容参考博士论文合集-基于机器学习的个人信用风险预测模型和研究9.博士毕业论文复现-《基于深度学习的个人信用风险评估研究 ——以银行大数据为视角》基于深度学习的个人信用风险评估研究——以银行大数据为视角作者杨德杰学校中央财经大学**摘要**个人信用历来是银行衡量个人履约风险最重要的因素。近些年随着个人借贷需求与日俱增违约风险也随之增多这不仅是商业银行所面临的主要风险之一也是导致整个金融体系不稳定的重要影响因素。如何全面和准确地进行个人信用风险评估是包括商业银行在内的金融机构风险防控的核心环节也是不断提高商业银行风险管理水平的必然要求。而传统的信用风险评估过于依赖个人征信在数据时效性、全面性和多样性上存在诸多不足已不能满足当前银行个人信贷快速发展的需求。大数据时代的到来提供了多源的个人数据丰富了个人的信用画像特别是商业银行逐步积累起大数据资源如何充分结合和利用银行大数据来更全面地进行个人信用风险评估是商业银行面临的问题之一。在利用银行大数据的同时大数据高维、稀疏的特点带来了特征选择上的困难使得传统的信用风险评估方法无法很好地适用于大数据环境此外大数据环境下高噪声普遍存在如何有效解决噪声大数据下的个人信用风险评估是亟待解决的问题与此同时信用风险评估数据样本不平衡的问题在大数据环境下仍然存在会直接影响评估模型的效果。为了更好地利用银行大数据进行个人信用风险评估解决大数据环境下高维、稀疏以及多噪声带来的问题同时有效避免不平衡数据样本对风险评估的影响进而从整体上提高银行对个人信用风险评估水平这一目标。本文基于人工智能研究领域较为前沿的深度学习技术结合银行大数据的统计分析进行了构建基于银行大数据的个人信用风险评估特征、基于生成式对抗网络的信用不平衡数据样本学习、以及建立基于堆栈降噪自编码神经网络的个人信用风险评估方法等三个方面的研究。具体而言本文的研究工作包括以下三个方面1.基于银行大数据构建个人信用风险评估特征。银行传统信用风险评估中使用的特征较为单一对个人信用风险评估不全面导致信贷资源未能达到最优供给、并且违约风险增加。利用银行大数据根据用户画像原理构建基于银行大数据的个人信用画像弥补了传统评估特征表达个人信用的信息不足缓解了个人信用风险评估中的信息不对称。通过实例阐述利用大数据构建个人信用风险评估特征的完整流程以统计分析和建模相结合验证了银行大数据与个人信用风险的相关性以及结合银行大数据对信用风险评估结果的贡献并通过大数据分析得出不同信用群体的差异性画像给利用大数据进行信用风险评估提供了参考和依据。2.基于生成式对抗网络(Generative adversarial network, GAN)的信用不平衡数据样本的学习。信用风险评估建模中往往存在数据样本不平衡的现象而当前解决不平衡数据样本的主要方法是对少数类样本中进行局部的随机性采样这种方式的结果是采样不准和采样失真进而影响最终模型的评估效果。生成式对抗网络是在2014年被提出来的一种生成式学习模型主要用来生成数据。将该方法首次应用到信用不平衡数据样本的学习中并针对信用风险评估数据样本的特点和方法存在的问题对原始方法加以改进提出了Focal-Loss GAN的方法结合公开数据集以及银行不平衡信用数据进行实验对比论证最终本文的方法在解决信用不平衡数据样本的问题中有更好的效果。3.基于深度学习的个人信用风险评估方法。该方法建立在大数据基础之上。传统的信用风险评估模型在高维、稀疏的大数据环境下会面临特征选择上的困难此外大数据中存在的高噪声也会影响模型的评估效果。针对上述问题基于深度学习的框架提出和设计了堆栈降噪自编码神经网络(Stacked Denoising Autoencoder neural networks, SDANN)算法将此应用在银行大数据环境下的个人信用风险评估问题中。通过实验论证和对比分析在大数据环境下利用深度学习进行信用风险评估能更好地挖掘和表达反映个人信用的本质特征相比于传统的特征选择方法在大数据环境中效果更好引入降噪模型进一步提升了模型鲁棒性提升了信用风险评估水平。本文利用银行大数据进行个人信用风险评估特征构建可以对银行的个人信用风险进行更加全面地评估丰富了大数据在金融机构个人信用风险评估领域中的研究与应用提供可借鉴的利用金融大数据构建个人信用评估特征的流程和方法。基于生成式对抗网络的不平衡数据样本学习为解决数据样本不均衡问题提供了新的研究思路进一步丰富了生成式对抗网络在金融领域问题中的应用场景。基于深度学习的个人信用风险评估方法给出了在大数据环境下进行个人信用风险评估的一种新的解决方案对于深度学习在金融领域特别是大数据环境下信用风险评估领域的研究有一定的借鉴和指导意义。关键词信用风险评估深度学习大数据特征选择样本不平衡维度灾难专辑社会科学Ⅰ辑经济与管理科学专题思想政治教育金融DOI10.27665/d.cnki.gzcju.2019.000094分类号F832.4D64导师章宁学科专业经济信息管理博士电子期刊出版信息年期2021年第01期网络出版时间2020-12-16—2021-01-15更多相关内容参考博士论文合集-基于机器学习的个人信用风险预测模型和研究10.博士毕业论文复现-《数据驱动的消费金融违约风险预测方法研究》数据驱动的消费金融违约风险预测方法研究作者李伟学校合肥工业大学**摘要**消费是最终需求促进消费对释放内需潜力、推动经济转型升级、保障和改善民生具有重要意义。基于此商业银行、消费金融公司以及互联网金融企业在开展传统个人金融业务的同时积极拓展信用卡、消费信贷和P2P借贷等多样化消费金融业务助力推动消费市场不断扩大、消费结构持续优化。近年来随着互联网战略的深入发展海量金融数据爆发式增长使得信用数据呈现复杂性、多样性、异构性等特点传统的金融数据分析方法多是采用模型驱动的策略无法有效应对个人违约风险预测问题导致信用违约事件频发各类金融机构均承受着违约风险。鉴于此亟需通过引入最新的机器学习算法完善个人违约风险预警机制促进消费金融市场健康、可持续发展这对于丰富和完善消费金融信用风险管理体系具有重要的理论意义和实践价值。本文在对现有消费金融与违约风险的理论方法进行总结的基础上凝练了消费信用数据所存在的非均衡样本、小数据以及高维特征等问题系统研究了多场景下数据驱动的消费金融违约风险预测方法充分运用深度学习算法构建了基于异质集成学习、特征迁移学习以及集成深度学习的消费金融违约风险预测方法通过实验对比分析验证了所提方法的准确性最终解决了信用数据所呈现的问题。本文的具体研究内容和创新点如下(1)基于异质集成学习的信用卡违约风险预测研究。分析了信用卡消费数据的非均衡样本对个人违约风险预测的显著影响提出了一种能够克服非均衡样本问题的渐进式异质集成学习框架构建了基于XGBoost、神经网络和逻辑回归算法的信用卡违约风险预测个体分类器并研究了基于排序特征和离散特征的缺失值处理策略在此基础上构建了基于非均衡样本的信用卡违约风险预测方法。使用包括12,000组样本、122维特征的信用卡消费数据开展了对比实验研究结果显示基于非均衡样本的信用卡违约风险预测方法与对比方法相比具有较佳的预测精度并且能够很好的解决非均衡样本问题。(2)基于特征迁移学习的消费信贷违约风险预测研究。剖析了消费信贷新获客时冷启动对违约风险预测所导致欠拟合的现象提出了一种能够解决小数据问题的特征迁移学习框架设计了面向特征和样本的相似度估计算法迁移了与消费信贷业务相似的部分信用卡数据构建了基于GBDT、XGBoost和LightGBM算法的消费信贷违约风险预测个体分类器在此基础上提出了基于小数据的消费信贷违约风险预测方法。使用包括40,000组信用卡样本和4,000条消费信贷数据所组成的消费信用数据开展了对比实验研究结果表明基于小数据的消费信贷违约风险预测方法比基准方法具有较高的AUC性能得分和敏感度指标评分并且能够很好的解决小数据问题。(3)基于集成深度学习的P2P借贷违约风险预测研究。分析了P2P借贷信用数据呈现高维特征对违约风险预测造成维数灾难的情况提出了一种能够应对高维特征问题的集成深度学习框架构建了基于深度神经网络算法的P2P借贷违约风险预测分类器采用了随机搜索策略对超参数进行优化以此设计并配置完成了网络的内部结构同时研究了信用数据中的非均衡样本现象提出了深度神经网络模型的Bagging集成策略在此基础上构建了面向高维特征的P2P借贷违约风险预测方法。使用包括15,000组样本、1,138维特征的P2P借贷信用数据开展了对比实验研究结果显示面向高维特征的P2P借贷违约风险预测方法与对比模型相比较可以正确区分违约客户并且能够很好的解决高维特征问题。综上所述当前我国消费金融领域整体风险水平可控但是作为新兴的消费金融形式其经营时间较短风控建模水平有限坏账控制能力还有待时间验证并且多头借贷、恶意骗贷等信用风险和欺诈风险始终是消费金融领域面临的挑战风险控制仍将是消费金融企业未来不变的主题。鉴于此全文以数据风控作为消费金融风控体系的基础融入数据算法风控模型的思想能够真正有效的将风控系统量化衡量打造真正的智能金融减少人工干预降低风险减少损失。对于从管理视角丰富和发展消费金融违约风险预测的方法体系推动消费金融领域信用风险管理水平的提升具有重要的理论意义和应用价值。新一代人工智能技术正在成为引领金融科技革命和产业变革的战略性技术需要构建满足跨界融合、人机协同、群智开放等特征的新型风险预警机制进一步推动信用卡、消费信贷、P2P借贷等消费金融服务产品创新。与此同时随着互联网应用的不断深入以及人工智能技术的不断进步文本、图像、音视频、社交关系等多类型数据即将成为构建客户画像的重要依据对消费金融违约风险预测模型的多模态跨媒体感知、融合与推理能力提出新的更高要求。关键词违约风险预测消费金融非均衡样本集成学习小数据迁移学习高维特征深度学习专辑经济与管理科学专题贸易经济金融DOI10.27101/d.cnki.ghfgu.2019.000509分类号F832.4F724.6导师杨善林学科专业工商管理博士电子期刊出版信息年期2020年第03期网络出版时间2020-02-16—2020-03-15更多相关内容参考博士论文合集-基于机器学习的个人信用风险预测模型和研究11.博士毕业论文复现-《基于大数据的个人信用风险评估模型研究》基于大数据的个人信用风险评估模型研究作者张万军学校对外经济贸易大学摘要互联网已经被提升为中国国家战略高度。以淘宝、京东等为代表的电子商务网站以微信APP、QQ为代表的社交平台以及支付宝、微信支付为代表的在线支付工具已经深入到我们每个人的日常生活互联网支付、众筹融资、P2P借贷、在线理财、网络贷款等各种形式的互联网金融服务在我国呈现出生机勃勃的发展景象互联网和大数据已经对国民经济的很多领域以及商业模式产生了深远的影响。如何全面和准确地评估个人信用风险状况并在此基础上开展个性化的授信金融服务既是商业银行、小额贷款公司等传统金融机构风险控制的核心环节也是P2P等新兴互联网金融机构业务经营过程中的痛点持续攀升的不良贷款率更是倒逼这些金融机构不断提升风险管理水平。各类金融机构在个人信用风险评估环节中过于倚重央行的个人征信系统该系统收录的自然人数达8.6亿多但其中仅有3亿多人有信贷记录且信贷记录主要来源于商业银行和农村信用社等金融机构在数据时效性、全面性和层次性上存在短板。大数据为个人信用风险评估提供了一种新的方法。通过将用户在互联网上网购、交易、社交等平台的商誉和行为数据进行整合和分析将分散在不同网络平台和信贷机构的局部信息加工融合成为具有完整视图效果的全局信息。深度挖掘互联网大数据信息将用户商誉和行为信息转化为信贷评级依据开发大数据风控模型弥补央行个人征信信息的不足解决交易过程中的信息不对称的问题既可以对互联网金融平台、小额贷款公司等金融机构提供一个有力的风险抓手也可以为央行征信系统信贷数据缺失或者信用记录不好的用户提供一个获取信用类服务的机会。无论是线上还是线下的用户消费、社交数据都有着不同于传统征信信息的独有特征使得传统个人信用风险评估模型和方法在大数据环境下无法取得满意效果(1)数据的稀疏性强。用户线上线下的行为散布广泛极难全量收集和覆盖用户行为偏好亦各有不同在不同门类的行为差异很大。(2)数据覆盖面广。信息覆盖面广泛支付宝或微信都有超4亿活跃用户用户行为覆盖服装、书籍、租房、休闲、娱乐等各方面单指标维度超过1000个。(3)单变量风险区分能力弱。不同于传统风险模型采用的历史履约情况、个人资产评估等强变量消费或社交变量一般均为区分能力较弱的弱变量。传统信用风险评估模型在业务逻辑架构下利用数据驱动或专家经验开发模型模板最终结合逻辑回归、判别分析等统计分析模型得到精准的计量结果。然而在新的数据画像和业务情景下原有的业务逻辑框架和传统统计分析模型的应用都受到严重限制。近几年以决策树、神经网络等为代表的机器学习技术得到飞速发展在信息识别、推荐引擎等领域都取得了出色的应用效果。如何结合传统风险评估模型体系和机器学习技术在保证业务逻辑和评分广泛应用的前提下更加精准的评估风险是一个值得研究的课题本文的研究内容在这方面是一个有益的尝试。鉴于此本文针对基于大数据的个人信用风险评估模型体系重点研究下述关键内容(1)通过对模型的数据基础、表现定义及逻辑、样本分类和抽样方案等建模基础信息进行详细分析提出大数据环境下的个人信用风险评估模型——CreditNet研究框架将CreditNet模型划分为三个研究阶段逐步限定技术要点开展模型构建研究。(2)针对CreditNet模型研究框架的第一个阶段本文将用户画像的概念引入个人信用风险评估领域从六大维度构建用户信用画像解决了大数据环境下个人信息的有效收集和组织问题并通过变量衍生的方法增强单变量的风险区分能力。在此基础上从数据收集、数据核对和数据清洗等方面对大数据的预处理方法进行了阐述结合对单变量分析和多变量分析方法为大数据环境下个人信用风险评估模型的研究奠定了数据基础。(3)针对CreditNet模型研究框架的第二个阶段本文将机器学习理论中的随机森林模型与logistic回归模型进行结合构建RF-L核模型生成了一系列具有风险评估能力的子模型。在进行统计建模前利用随机森林中的CHAID决策树进行分析并生成二元决策树变量然后将随机森林模型的输出结果导入logistic回归模型中进行统计建模为大数据信息转变为风险评估依据奠定了模型基础。(4)针对CreditNet模型研究框架的第三个阶段本文提出将机器学习理论中的Adaboost集成学习算法应用到对RF-L核模型生成的一系列评估子模型的集成研究中通过对不同评估能力的子模型进行集成增强了最终模型的评估效果。(5)基于上述研究进一步验证CreditNet模型的效果。本文从CreditNet模型的区分能力、稳定性等方面进行了测试将CreditNet模型与其他模型的评估效果进行了对比分析并在某股份制商业银行和某P2P公司的业务中对CreditNet模型进行了实证分析对CreditNet模型的应用场景进行了展望。关键词大数据个人信用风险评估模型随机森林专辑经济与管理科学专题金融分类号F832.4导师林汉川学科专业产业经济学博士电子期刊出版信息年期2017年第06期网络出版时间2017-05-16—2017-06-15版权声明文章来自公众号(python风控模型),未经许可不得抄袭。遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。****