| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 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 研究内容与方法 | 第14-15页 |
| 1.2.1 研究内容 | 第14页 |
| 1.2.2 研究方法 | 第14-15页 |
| 1.3 研究思路和框架 | 第15-17页 |
| 第二章 文献综述 | 第17-24页 |
| 2.1 大数据应用方面的研究 | 第17-18页 |
| 2.2 互联网征信的研究 | 第18-20页 |
| 2.3 信用风险评估的研究 | 第20-22页 |
| 2.4 研究述评 | 第22-24页 |
| 第三章 大数据在征信上的应用意义 | 第24-33页 |
| 3.1 信用赊销与征信 | 第24-25页 |
| 3.2 传统征信模式存在不足 | 第25-27页 |
| 3.3 开展大数据征信的必要性和意义 | 第27-29页 |
| 3.3.1 降低企业征信成本,提高信贷效率 | 第27-28页 |
| 3.3.2 解决信贷不对称问题 | 第28页 |
| 3.3.3 提升信贷体验 | 第28-29页 |
| 3.4 大数据下传统征信模式的改变 | 第29-33页 |
| 3.4.1 对业务的提升 | 第29-31页 |
| 3.4.2 对技术上的提升,大数据特有的优势 | 第31-33页 |
| 第四章 信用风险模型的研究 | 第33-44页 |
| 4.1 常见信用评估模型 | 第33-39页 |
| 4.1.1 专家模型 | 第34页 |
| 4.1.2 多元判别分析模型 | 第34-35页 |
| 4.1.3 Logistic回归模型 | 第35-36页 |
| 4.1.4 神经网络模型 | 第36-37页 |
| 4.1.5 支持向量机模型 | 第37页 |
| 4.1.6 决策树模型 | 第37-39页 |
| 4.2 国内外信用风控模型研究和应用模式 | 第39-44页 |
| 4.2.1 蚂蚁金服风控模式 | 第39-42页 |
| 4.2.2 秒读公司风控模式:积极使用自有数据建模 | 第42-44页 |
| 第五章 大数据信用风控平台的构建 | 第44-55页 |
| 5.1 大数据风控平台的定义 | 第44-46页 |
| 5.2 大数据风控平台的业务流程 | 第46-48页 |
| 5.3 大数据风控平台的技术架构 | 第48-51页 |
| 5.3.1 数据采集层 | 第48-49页 |
| 5.3.2 行为建模层 | 第49-50页 |
| 5.3.3 构建画像层 | 第50-51页 |
| 5.3.4 风险定价层 | 第51页 |
| 5.4 平台测试效果分析 | 第51-55页 |
| 5.4.1 某股份制商业银行测试结果 | 第51-53页 |
| 5.4.2 某P2P公司测试结果 | 第53-55页 |
| 第六章 大数据应用于风控平台的问题及建议 | 第55-62页 |
| 6.1 大数据风控平台运营监控 | 第55-56页 |
| 6.2 大数据信用风控平台建设存在的问题 | 第56-58页 |
| 6.2.1 缺乏与之匹配的法律规范 | 第56页 |
| 6.2.2 国内信息的安全性和隐私性受到威胁 | 第56-57页 |
| 6.2.3 技术上的局限性 | 第57-58页 |
| 6.3 大数据风控平台建设相关建议 | 第58-62页 |
| 6.3.1 增加大数据适用性 | 第58-59页 |
| 6.3.2 提升大数据质量 | 第59-60页 |
| 6.3.3 增强大数据可解释性 | 第60-62页 |
| 第七章 结论与展望 | 第62-64页 |
| 7.1 结论 | 第62-63页 |
| 7.2 展望 | 第63页 |
| 7.3 不足 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |