P2P网络贷款客户违约预测研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外文献综述 | 第11-14页 |
| 1.4 论文主要内容 | 第14-15页 |
| 2 P2P网络贷款信用违约预测相关理论 | 第15-22页 |
| 2.1 P2P网络贷款概念界定 | 第15页 |
| 2.2 P2P网络贷款业务模式及发展现状 | 第15-18页 |
| 2.2.1 P2P网络贷款发展现状 | 第15-17页 |
| 2.2.2 P2P网络贷款业务模式 | 第17-18页 |
| 2.3 P2P网络贷款平台问题分析及风险研究 | 第18-22页 |
| 2.3.1 P2P网络贷款问题平台研究 | 第18-19页 |
| 2.3.2 P2P网络贷款平台风险研究 | 第19-22页 |
| 3 P2P网络贷款客户数据预处理 | 第22-26页 |
| 3.1 数据简介 | 第22页 |
| 3.2 缺失值处理 | 第22-24页 |
| 3.3 剔除常变量 | 第24页 |
| 3.4 离群点剔除 | 第24页 |
| 3.5 其他处理 | 第24-26页 |
| 4 P2P网络贷款客户数据描述性统计分析 | 第26-29页 |
| 4.1 成交时间特征 | 第26页 |
| 4.2 地理位置特征 | 第26-29页 |
| 5 P2P网络贷款客户信用违约的分类算法研究 | 第29-43页 |
| 5.1 关于分类问题的探讨 | 第29-31页 |
| 5.1.1 分类问题简述及分类器原理 | 第29-30页 |
| 5.1.2 分类器组合介绍 | 第30-31页 |
| 5.2 神经网络模型 | 第31-34页 |
| 5.2.1 神经网络的界定 | 第31-32页 |
| 5.2.2 神经网络的原理 | 第32-34页 |
| 5.3 分类回归树CART | 第34-35页 |
| 5.4 XGBoost算法原理 | 第35-40页 |
| 5.4.1 Boosting算法 | 第35-36页 |
| 5.4.2 Gradientboosting算法 | 第36页 |
| 5.4.3 XGBoost优化过程 | 第36-40页 |
| 5.5 模型评价 | 第40-43页 |
| 5.5.1 模型评价指标 | 第40页 |
| 5.5.2 模型比较 | 第40-43页 |
| 6 P2P网络贷款客户违约预测模型 | 第43-47页 |
| 6.1 XGBoost算法参数设置 | 第43-44页 |
| 6.2 XGBoost算法结果输出 | 第44-45页 |
| 6.3 P2P网络贷款客户的违约预测 | 第45-47页 |
| 7 结论与展望 | 第47-51页 |
| 7.1 主要结论 | 第47页 |
| 7.2 对P2P网络贷款平台的建议 | 第47-49页 |
| 7.3 研究展望 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士学位期间的科研成果情况 | 第54页 |
