| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究方法和本文章节安排 | 第12-14页 |
| 1.2.1 研究方法 | 第12-13页 |
| 1.2.2 本文章节安排 | 第13-14页 |
| 1.3 技术路线 | 第14页 |
| 1.4 文献综述 | 第14-19页 |
| 1.4.1 信用评分模型 | 第14-18页 |
| 1.4.2 深度学习模型 | 第18-19页 |
| 1.4.3 受限玻尔兹曼机模型 | 第19页 |
| 1.5 本文创新点 | 第19-20页 |
| 1.6 本章小结 | 第20-21页 |
| 第二章 国内外信用风险评估理论模型比较分析 | 第21-29页 |
| 2.1 大数据理论 | 第21-23页 |
| 2.2 国外信用风险评估系统 | 第23-25页 |
| 2.3 国内信用风险评估系统 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 考虑企业高管信息下的P2P企业客户用户画像建模 | 第29-37页 |
| 3.1 用户画像及其构建方法 | 第29-31页 |
| 3.1.1 用户画像的概念 | 第29-30页 |
| 3.1.2 用户画像的构建 | 第30-31页 |
| 3.2 考虑企业高管信息下的P2P企业客户用户画像 | 第31-36页 |
| 3.2.1 个人用户画像 | 第31-33页 |
| 3.2.2 企业用户画像 | 第33-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于RBM特征提取下的P2P中小企业客户信用风险评估模型 | 第37-54页 |
| 4.1 海量数据的降维处理 | 第37-38页 |
| 4.2 受限玻尔兹曼机(RBM)原理 | 第38-41页 |
| 4.3 对比散度快速学习算法 | 第41-46页 |
| 4.3.1 梯度计算公式 | 第41-44页 |
| 4.3.2 对比散度算法 | 第44-46页 |
| 4.4 基于RBM特征提取下的P2P中小企业客户信用风险评估实证分析 | 第46-53页 |
| 4.4.1 考虑企业高管信息下的P2P中小企业客户信用指标体系构建 | 第47-49页 |
| 4.4.2 指标选取 | 第49-52页 |
| 4.4.3 RBM特征提取 | 第52-53页 |
| 4.4.4 模型对比 | 第53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于改进的G-ADABOOST下的P2P中小企业客户信用风险评估模型 | 第54-60页 |
| 5.1 集成学习算法 | 第54-55页 |
| 5.2 改进的G-ADABOOST算法 | 第55-57页 |
| 5.2.1 AdaBoost算法 | 第55-56页 |
| 5.2.2 改进思路 | 第56-57页 |
| 5.2.3 改进后的G-AdaBoost算法流程 | 第57页 |
| 5.3 基于改进的G-ADABOOST下的P2P企业客户信用风险评估实证分析 | 第57-59页 |
| 5.3.1 实证数据 | 第57-58页 |
| 5.3.2 结果分析 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 P2P中小企业客户信用风险监管与建议 | 第60-64页 |
| 6.1 信用风险评价自身工作的建议 | 第60-61页 |
| 6.1.1 构建科学有效的信用风险评价指标体系 | 第60-61页 |
| 6.1.2 选用科学合理的信用风险评价模型 | 第61页 |
| 6.2 信用风险评价辅助工作的建议 | 第61-62页 |
| 6.2.1 提高信用风险评估人员素质 | 第62页 |
| 6.2.2 加强对中小企业财务数据真实性的考察 | 第62页 |
| 6.3 加强P2P网络借贷平台监管力度 | 第62-63页 |
| 6.3.1 明确平台的信息服务中介主体资格 | 第62-63页 |
| 6.3.2 完善第三方资金托管机制 | 第63页 |
| 6.3.3 建立风险保证金制度 | 第63页 |
| 6.4 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-73页 |
| RBM部分代码(MATLAB) | 第69-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
