P2P贷前反欺诈风控体系构建
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 本文研究思路及文章架构 | 第12-16页 |
| 1.4 本文的创新与不足 | 第16-17页 |
| 2 相关理论和模型 | 第17-29页 |
| 2.1 相关理论 | 第17-20页 |
| 2.1.1 分箱理论 | 第17页 |
| 2.1.2 IV值 | 第17-18页 |
| 2.1.3 ROC曲线 | 第18-19页 |
| 2.1.4 混淆矩阵 | 第19页 |
| 2.1.5 交叉验证 | 第19-20页 |
| 2.2 相关模型 | 第20-29页 |
| 2.2.1 决策树模型 | 第20-22页 |
| 2.2.2 Adaboost算法 | 第22-23页 |
| 2.2.3 随机森林模型 | 第23-24页 |
| 2.2.4 GBDT模型 | 第24-25页 |
| 2.2.5 Xgboost模型 | 第25-29页 |
| 3 P2P借贷风险概述 | 第29-43页 |
| 3.1 P2P借贷的发展 | 第29-32页 |
| 3.2 P2P借贷风险的特征,分类及主要问题 | 第32-37页 |
| 3.2.1 P2P风险特征 | 第32-34页 |
| 3.2.2 P2P风险分类 | 第34-35页 |
| 3.2.3 P2P风险的主要问题 | 第35-37页 |
| 3.3 我国P2P征信体系发展现状 | 第37-38页 |
| 3.4 P2P贷前风控方法的演变 | 第38-40页 |
| 3.5 P2P贷前风控模型的特征选取 | 第40-43页 |
| 4 实证分析 | 第43-57页 |
| 4.1 数据收集 | 第43页 |
| 4.2 数据预处理 | 第43-46页 |
| 4.3 用户入模前强规则引擎的建立 | 第46-49页 |
| 4.4 风控模型的建立 | 第49-57页 |
| 4.4.1 模型特征的选取 | 第49-50页 |
| 4.4.2 GBDT建模 | 第50-52页 |
| 4.4.3 Xgboost建模 | 第52-54页 |
| 4.4.4 随机森林建模 | 第54-55页 |
| 4.4.5 模型的结合 | 第55-57页 |
| 5 结论与启示 | 第57-60页 |
| 5.1 结论 | 第57-58页 |
| 5.2 启示 | 第58-60页 |
| 附录A 代码 | 第60-65页 |
| A.1 计算特征Ⅳ值代码 | 第60-61页 |
| A.2 GBDT自动调参代码 | 第61页 |
| A.3 ROC,AUC绘制代码 | 第61-62页 |
| A.4 混淆矩阵绘制代码 | 第62页 |
| A.5 Xgboost模型调参代码 | 第62-63页 |
| A.6 随机森林模型调参代码 | 第63页 |
| A.7 三个模型投票结合代码 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
