| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.2.3 国内外研究评述 | 第13-14页 |
| 1.3 研究基本框架 | 第14-17页 |
| 1.3.1 研究思路与技术路线 | 第14-16页 |
| 1.3.2 创新与结构 | 第16-17页 |
| 第二章 P2P网络借贷理论基础 | 第17-26页 |
| 2.1 P2P网络借贷简介 | 第17-20页 |
| 2.1.1 P2P网络借贷含义 | 第17-18页 |
| 2.1.2 国内P2P行业发展概况 | 第18-20页 |
| 2.2 国内外P2P平台简介 | 第20-24页 |
| 2.2.1 国外典型P2P借贷平台分析 | 第20-23页 |
| 2.2.2 国内主流P2P借贷平台简介 | 第23-24页 |
| 2.3 P2P网络借贷风险分析 | 第24-26页 |
| 2.3.1 平台风险 | 第24页 |
| 2.3.2 信用风险 | 第24-25页 |
| 2.3.3 技术风险 | 第25-26页 |
| 第三章 P2P借款人信用风险评估指标体系的建立 | 第26-31页 |
| 3.1 信用风险评估指标体系建立原则 | 第26-27页 |
| 3.1.1 全面性和重要性 | 第26页 |
| 3.1.2 科学性和客观性 | 第26-27页 |
| 3.1.3 可操作性和有效性 | 第27页 |
| 3.2 影响借款人信用的因素指标 | 第27-28页 |
| 3.2.1 个人基本信息 | 第27页 |
| 3.2.2 收入与资产 | 第27-28页 |
| 3.2.3 信用记录 | 第28页 |
| 3.3 因子分析与信用指标的选取 | 第28-31页 |
| 3.3.1 因子分析简介 | 第28-30页 |
| 3.3.2 因子分析在借款人信用评价中的应用 | 第30-31页 |
| 第四章 构建因子分析-支持向量回归的借款人评价模型 | 第31-37页 |
| 4.1 支持向量机SVM方法 | 第31-35页 |
| 4.1.1 线性可分支持向量机 | 第31-33页 |
| 4.1.2 近似线性可分支持向量机 | 第33-34页 |
| 4.1.3 线性不可分支持向量机 | 第34页 |
| 4.1.4 核函数 | 第34-35页 |
| 4.1.5 Libsvm软件包 | 第35页 |
| 4.2 因子分析-支持向量回归的借款人评价模型构建 | 第35-37页 |
| 第五章 因子分析-支持向量回归的模型训练与应用 | 第37-56页 |
| 5.1 数据获取与处理 | 第37-38页 |
| 5.1.1 Python爬虫抓取数据 | 第37页 |
| 5.1.2 信息量化 | 第37-38页 |
| 5.2 因子分析与信用指标的选取 | 第38-48页 |
| 5.2.1 因子分析信用评价指标 | 第38-48页 |
| 5.3 借款人信用风险评估模型构建 | 第48-56页 |
| 5.3.1 Libsvm建模 | 第48-51页 |
| 5.3.2 模型预测应用 | 第51-55页 |
| 5.3.3 建模流程总结 | 第55-56页 |
| 第六章 总结与展望 | 第56-59页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附录A 获取人人贷网页借款人信息Python代码 | 第64-67页 |
| 附录B 借款人信用量化表 | 第67-69页 |