| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景以及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 传统的个人信用风险评估模式 | 第11-12页 |
| 1.2.2 新兴的个人信用风险评估模式 | 第12-13页 |
| 1.2.3 个人信用风险评估方法综述 | 第13-14页 |
| 1.3 问题的提出与技术路线 | 第14-15页 |
| 1.4 本文研究内容与组织结构 | 第15-18页 |
| 第二章 个人信用风险评估方法的选择与理论回顾 | 第18-29页 |
| 2.1 个人信用风险评估主要方法的比较与选择 | 第18-20页 |
| 2.2 Logistic回归模型 | 第20-24页 |
| 2.3 GBDT模型 | 第24-25页 |
| 2.4 模型评价指标 | 第25-28页 |
| 2.5 小结 | 第28-29页 |
| 第三章 基于互联网数据的个人信用风险指标体系构建与优化 | 第29-48页 |
| 3.1 个人信用风险评估的指标体系概述 | 第29-32页 |
| 3.1.1 传统的指标体系 | 第29-30页 |
| 3.1.2 互联网征信的指标体系 | 第30-31页 |
| 3.1.3 指标体系的对比与分析 | 第31-32页 |
| 3.2 数据处理 | 第32-36页 |
| 3.2.1 数据的来源与分析 | 第32-34页 |
| 3.2.2 数据预处理 | 第34-35页 |
| 3.2.3 样本分组 | 第35-36页 |
| 3.3 基于互联网数据的指标体系构建 | 第36-42页 |
| 3.3.1 指标体系的架构设计 | 第36-38页 |
| 3.3.2 指标体系的构建流程 | 第38页 |
| 3.3.3 指标的构造 | 第38-42页 |
| 3.3.4 指标的初步筛选 | 第42页 |
| 3.4 基于互联网数据的指标体系优化 | 第42-47页 |
| 3.4.1 优化思路 | 第42-43页 |
| 3.4.2 指标的优化方法对比 | 第43-44页 |
| 3.4.3 IV统计量原则 | 第44-46页 |
| 3.4.4 基于IV优化的指标体系构建 | 第46-47页 |
| 3.5 小结 | 第47-48页 |
| 第四章 基于互联网数据的个人信用风险评估模型 | 第48-60页 |
| 4.1 问题的提出 | 第48-50页 |
| 4.2 基于Logistic回归的个人信用风险评估模型 | 第50-54页 |
| 4.2.1 模型构建与检验 | 第50-53页 |
| 4.2.2 模型评价 | 第53-54页 |
| 4.3 基于GBDT的个人信用风险评估模型 | 第54-59页 |
| 4.3.1 模型构建与检验 | 第54-57页 |
| 4.3.2 模型评价 | 第57-59页 |
| 4.4 小结 | 第59-60页 |
| 第五章 基于GBDT-LR融合的个人信用风险评估模型 | 第60-69页 |
| 5.1 问题的提出 | 第60-61页 |
| 5.2 GBDT-LR融合模型 | 第61-63页 |
| 5.2.1 GBDT构造组合特征的原理 | 第61-62页 |
| 5.2.2 组合特征在本文的适用性 | 第62页 |
| 5.2.3 融合模型的原理及构建流程 | 第62-63页 |
| 5.3 GBDT-LR个人信用风险评估模型的实证研究 | 第63-67页 |
| 5.3.1 模型构建 | 第63-66页 |
| 5.3.2 模型检验 | 第66-67页 |
| 5.4 单一模型与融合模型的结果比较 | 第67-68页 |
| 5.5 小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 后期工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 附录 | 第75-78页 |
