| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 文献综述 | 第14-19页 |
| 1.2.1 互联网金融运营模式及风险 | 第14-15页 |
| 1.2.2 违约风险的影响因素研究 | 第15-16页 |
| 1.2.3 违约风险测度研究 | 第16-18页 |
| 1.2.4 互联网金融平台法律监管研究 | 第18页 |
| 1.2.5 研究评介 | 第18-19页 |
| 1.3 研究内容与方法 | 第19-22页 |
| 1.3.1 研究内容 | 第19-21页 |
| 1.3.2 研究方法 | 第21-22页 |
| 第2章 互联网金融网贷借贷违约风险理论分析 | 第22-33页 |
| 2.1 互联网金融网贷违约风险相关理论 | 第22-25页 |
| 2.1.1 信息不对称理论 | 第22页 |
| 2.1.2 委托代理理论 | 第22-23页 |
| 2.1.3 行为评分理论 | 第23-24页 |
| 2.1.4 金融脆弱性理论 | 第24-25页 |
| 2.2 互联网金融网贷角色及其相互关系 | 第25-26页 |
| 2.2.1 互联网金融网贷平台角色分析 | 第25页 |
| 2.2.2 借贷各方相互关系分析 | 第25-26页 |
| 2.3 互联网金融网贷风险分析 | 第26-29页 |
| 2.3.1 信用风险 | 第26-27页 |
| 2.3.2 法律风险 | 第27-28页 |
| 2.3.3 运营风险 | 第28-29页 |
| 2.4 P2P网络借贷违约风险影响因素 | 第29-30页 |
| 2.4.1 客户的个人特征 | 第29页 |
| 2.4.2 客户的债项信息 | 第29页 |
| 2.4.3 客户的征信信息 | 第29-30页 |
| 2.4.4 客户的社会关系信息 | 第30页 |
| 2.4.5 客户的历史表现 | 第30页 |
| 2.5 有序logistic信用风险评估模型适用性分析 | 第30-33页 |
| 2.5.1 判别分析 | 第31页 |
| 2.5.2 神经网络法 | 第31-32页 |
| 2.5.3 logistic回归分析法 | 第32页 |
| 2.5.4 有序logistic模型适用性 | 第32-33页 |
| 第3章 有序logistic违约预测模型构建 | 第33-36页 |
| 3.1 状态转移矩阵反向推测潜在违约概率 | 第33-34页 |
| 3.2 有序logistic模型的构建 | 第34-35页 |
| 3.3 模型验证 | 第35-36页 |
| 第4章 实证研究 | 第36-54页 |
| 4.1 数据来源及变量筛选 | 第36-37页 |
| 4.2 主成分分析 | 第37-39页 |
| 4.3 实证结果及分析 | 第39-48页 |
| 4.3.1 二元逻辑回归分析 | 第39-41页 |
| 4.3.2 有序logistic回归分析 | 第41-46页 |
| 4.3.3 验证样本预测结果 | 第46-48页 |
| 4.4 相关管理建议 | 第48-54页 |
| 4.4.1 政府层面 | 第48-51页 |
| 4.4.2 P2P平台层面 | 第51-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录A 攻读学位期间发表论文目录 | 第59-60页 |
| 致谢 | 第60页 |