关于风险评估论文范文数据库与基于贝叶斯网分类器的互联网借贷风险评估相关论文范文数据库-毕业论文网

本论文是一篇免费优秀的关于风险评估论文范文资料，可用于相关论文写作参考。

基于贝叶斯网分类器的互联网借贷风险评估

　　一、前言

　　“互联网+”和大数据的时代背景下,信贷行业在数据挖掘和云计算的技术主题下呈现爆发式增长.它促进资金优化配置,缓解市场信息不对称等问题,满足中小微企业对融资服务的需求.信贷领域的信用体系是互联网金融发展的核心,也是亟待解决的重大问题.金融市场尤其是信贷业务中个人信用涉及的领域广泛,主要集聚在信贷交易、信息消费和道德规范等方面.2014年6月,中国国务院发布的《社会信用体系建设规划纲要（2014-2020）》中提出信用建设的目标,信用风险评估是借贷体系建设的关键环节,需要学术界和业界不断地创新性研究.[1]金融体系面临资本和技术脱媒的双重难题,通过评估体系反映借款人的信用评分,利用庞大的借贷用户行为数据建立信用体系及等级问题,具有重要的现实意义.

　　二、互联网借贷风险评估的文献综述

　　经济学界“理性人”假设,网络信贷平台认为借款人大部分时候是理性的.主要基于收入、信用、借款及个人状况等因素来反映违约风险.Shen,Krumme&Lippman （2010）及Collier & Hampshire（2010）以P2P为例实证：借款人的信息、信用及利率影响违约风险的程度.李渊博等（2014）研究表明借款期限、借款等级和情况对毁誉风险因素影响显著,而借款金额未通过显著性检验.

　　从交易结果出发,借款人的人口特征和身份地位也会影响借贷风险.Pope & Sydnor（2008）、Iyeret al（2009）和Rina, E.（2015）都指明信誉越高其借贷风险越低,种族、年龄和性别等人口特征通过利率影响借贷状况.、信用水平和记录、收入、就业、年龄和房屋所有权等会影响借贷成功率.吴小英等（2012）实证分析显示学生群体的借款成功率比一般借款低3.4%.[2]朱浩（2014）以拍拍贷的研究发现结构型社会资本对利率的影响不显著,也有学者（2016）认为显著,关系型社会资本能够降低借款利率.

　　三、贝叶斯网络

　　（一）贝叶斯理论

　　在所有相关概率都已知的情形下,贝叶斯考虑的是基于这些概率和误判损失来选择最优的类别标记.[3]对每个样本x,选择能使后验概率P(c|x)最大的类别标记.[3]若使决策风险最小化,首先要获得后验概率P(c|x).其中,P(c) 是类“先验”概率,P(x|c) 是相对于类标记c的类条件概率,而P(x)是用于归一化的“证据”因子.[3]贝叶斯网络考虑朴素贝叶斯分类器要求所有变量都是独立的问题,[4]给定父节点集,令Ｂ等于<G,Θ>,即假设属性xi在G中的父节点集πi,则Θ包含了每个属性的条件概率表θxi|πi等于PB(xi|πi).通过评分函数,衡量备选贝叶斯网和训练数据的拟合优度.

　　（二）基于登山算法的网络寻找

　　因变量节点多,集合庞大等问题,登山算法从网络结构出发,每增加或者减去一条连接边,计算一次评分函数,直到不再减小为止.主要设定五个步骤：（1）选取一个网络结构作为初始状态N；（2）根据计分函数计算N的得分,赋值给score<-score(N)；（3）改变N的结构(增减一条边)得到更新状态N’；（4）If score(N’)>score(N)；Maxscore<-score(N’)；（5）Return（Maxscore）；可以找到一个“最优”（也可能是局部最优）的贝叶斯网络结构图并且训练出各节点处的条件概率参数.

　　四、基于贝叶斯分类器的互联网借贷风险评估的实证分析

　　（一）研究方法和实验脉络的选择

　　采用多维的随机变量建立朴素贝叶斯模型,由假定参数的先验分布来计算后验分布.采用“半朴素贝叶斯分类器”放松变量间独立性的要求,计算联合概率构建网络结构和多维属性间节点关系,根据网络关系图来构建互联网借贷信用评估模型并进行预测.

　　（二）基础变量选取及处理

　　数据集中Pub-rec（毁誉记录P）为被解释变量,可取值为0,1,2,将0纳入履约范围,将≥1值视为违约.Term（借款期限H）、Loan-amount（借款金额A）、Annual-inc（年收入C）、Dit（负债/收入比率D）、Purpose（借款目的N）、Application-type（申请类型R）、Total-acc（信用账户总数F）、Deling-2yrs（逾期次数O）和Open-acc（公开信用账户E）为第一组解释变量；Install ment（分期付款B）、Total-il-high-credit-limit（银行信用卡总额限度G）、Charge off-within -12mths（12个月内销账的数量S）和Initial-list-status（清单初始状态Q）为第二组解释变量；Grade（借款等级I）、Emp-length（工作年限J）、Home-owership（房屋所有权K）、Verification-status（收入认证L）、和Loan-status（借款状况M）为第三组解释变量,因涉及变量较多,将变量名简化为括号内A-S共19个大写字母.

　　（三）数据选取及预处理

　　数据源于美国lending club公司网上数据库的数据集.选取2017年第一季度共96700条借贷数据,履约人数为77674约占总体的80%,违约人数19105约占总体的20%.对9个连续变量通过信息熵离散化表明：借款金额、利率、分期付款、年收入、负债/收入比率、公开信用账户、信用账户总数和银行信用卡总额限度的分割点为6750,0.11,317,92000,10,12,30和54000；将低于分割点的为1,高于分割点为2.通过10折交叉验证来训练模型,得到10个贝叶斯网络,分别计算每个网络模型的误判率得到平均误判率.

　　（四）网络结构的确定及节点关系分析

　　采用AIC评分函数,利用R语言”bnlearn”软件中的登山算法的”hc()”函数搜索得到最佳贝叶斯网络结构图.[4]响应变量P（是否毁约）节点落在网络结构的末端,节点P存在三个父节点即I（指定借款等级）、O（逾期次数）、H(借款期限)直接影响响应变量,尤其是I（指定借款等级）,该节点存在6个子节点,两个父节点,处于整个网络结构的核心位置,说明借款等级能够在很大程度上说明用户大部分信用特征.节点I（借款等级）,在较长的借款周期内不能有效判断违约可能性.样本中存在属性节点O（逾期次数）,会提前给债权人警报信息,即使客户之前的借款等级优,债权人也会担心客户能否在到期日之前清款.

　　一般情况下,借款等级对违约概率的影响表明：贷款等级为G-A,对应的借款等级对违约概率的影响系数分别为：0.26153、0.25622、0.25841、0.22474、0.22718、0.24850、0.10629.贷款等级越高（从G-A越来越高）客户违约的概率也会越小,同等条件下贷款分等级G的客户要比A客户的违约概率高出1.45倍.10折交叉验证得到的贝叶斯网络模型的预测结果,模型的履约预测准确率为0.92,违约的预测准确率为0.64,模型的综合预测准确率为0.86,综合误判率为0.14.根据样本计算的履约的先验概率为0.82.说明贝叶斯网络关系在先验概率的基础上提高了0.04的准确率.

　　五、结论与对策解析

　　基于实证结果,可以从资金的贷方立场提出几点对策解析：第一,重点监控核心指标,能够更快更及时地给借方发出警报信息；第二,互联网借贷为金融领域提高金融服务效率、降低交易成本、满足多元化投融资需求、提升微型金融的能力,[6]发挥政府、借贷平台和借款人的主体作用；第三,根据借款者情况全面的评估信用等级,综合借款期限、分期付款和借款等级考虑；第四,实现个体之间的信息沟通、资源共享、资金流动,为部分融资者提供了一条新的融资渠道.作为网络金融创新模式,P2P网络信贷是完善金融体系、填补信贷空缺、弥补中小企融资缺口、缓解民间投资需求的重要工具,它带来的长尾效应引起了世界范围内的高度关注.[6]

参考文献：

[1]　黄国平,等.P2P网贷平台风险评级与分析[M].北京：中国社会科学出版社,2015.

[2]　周志华.机器学习[M].北京：清华大学出版社,2016.

[3]　吴喜之.复杂数据统计方法-基于R的应用[M].北京：中国人民大学出版社,2015.

[4]　张　超.公司违约概率模型及其在商业银行中的应用[J].华北金融,2010(4).

[5] ScottA.Zonneveldt,KevinB.KorbandAnnE.Nicholson.

Bayesiannetworkclassifiers forthe German credit data[D].Monash University(Australia),2010(1).

[6]　伍旭川.互联网借贷：风险与监管[J].金融市场研究,2014(2).

［责任编辑：胡　冰］

风险评估论文范文结:

关于风险评估方面的的相关大学硕士和相关本科毕业论文以及相关风险评估论文开题报告范文和职称论文写作参考文献资料下载。

1、财务风险论文