| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11页 |
| 1.3.2 国内研究现状 | 第11-13页 |
| 1.4 研究内容和研究方法 | 第13-15页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 研究方法 | 第14-15页 |
| 1.5 研究框架和论文创新点 | 第15-18页 |
| 1.5.1 研究框架 | 第15-16页 |
| 1.5.2 论文创新点 | 第16-18页 |
| 第2章 互联网消费金融信用风控的理论基础 | 第18-24页 |
| 2.1 互联网消费金融的内涵 | 第18-21页 |
| 2.1.1 互联网消费金融的概念 | 第18-19页 |
| 2.1.2 互联网消费金融的特征 | 第19-20页 |
| 2.1.3 互联网消费金融的模式 | 第20-21页 |
| 2.2 互联网消费金融风险类型 | 第21-22页 |
| 2.2.1 信用风险 | 第21页 |
| 2.2.2 欺诈风险 | 第21页 |
| 2.2.3 监管风险 | 第21-22页 |
| 2.2.4 技术风险 | 第22页 |
| 2.3 互联网消费金融信用风控策略 | 第22-24页 |
| 2.3.1 传统的互联网消费金融信用风控 | 第22页 |
| 2.3.2 新型的互联网消费金融信用风控 | 第22-24页 |
| 第3章 基于Xgboost的互联网消费金融信用风控策略模型构建 | 第24-32页 |
| 3.1 Xgboost算法原理 | 第24-27页 |
| 3.1.1 正则化 | 第26-27页 |
| 3.1.2 树的生成 | 第27页 |
| 3.2 分类模型性能评价指标 | 第27-29页 |
| 3.3 模型选取依据 | 第29页 |
| 3.4 基于Xgboost的信用风控策略模型构建 | 第29-32页 |
| 3.4.1 数据预处理 | 第29-30页 |
| 3.4.2 基于Xgboost的关键影响因素选取 | 第30页 |
| 3.4.3 初步策略设计 | 第30-31页 |
| 3.4.4 策略优化 | 第31-32页 |
| 第4章 互联网消费金融S公司信贷客户的数据集 | 第32-42页 |
| 4.1 数据集来源 | 第32页 |
| 4.2 数据预处理 | 第32-33页 |
| 4.3 描述性分析 | 第33-40页 |
| 4.3.1 学历层次对信贷客户风险影响 | 第33-34页 |
| 4.3.2 性别对信贷客户风险影响 | 第34-36页 |
| 4.3.3 新老用户对信贷客户风险影响 | 第36-37页 |
| 4.3.4 年龄对信贷客户风险影响 | 第37-39页 |
| 4.3.5 芝麻信用对信贷客户风险影响 | 第39-40页 |
| 4.3.6 花呗对信贷客户风险影响 | 第40页 |
| 4.3.7 月均话费对信贷客户风险影响 | 第40页 |
| 4.4 描述性分析结论 | 第40-42页 |
| 第5章 基于Xgboost模型的信用风控策略实证分析 | 第42-63页 |
| 5.1 Xgboost模型 | 第42-45页 |
| 5.1.1 不调参的Xgboost模型 | 第42-43页 |
| 5.1.2 调参的Xgboost模型 | 第43-45页 |
| 5.2 其它模型 | 第45-49页 |
| 5.2.1 不调参的逻辑回归模型 | 第45-46页 |
| 5.2.2 调参的逻辑回归模型 | 第46-48页 |
| 5.2.3 SVM模型 | 第48页 |
| 5.2.4 高斯贝叶斯模型 | 第48-49页 |
| 5.3 初步策略设计 | 第49-52页 |
| 5.3.1 模型表现总结 | 第49页 |
| 5.3.2 初步策略设计 | 第49-52页 |
| 5.4 策略验证 | 第52-54页 |
| 5.5 策略优化 | 第54-63页 |
| 5.5.1 所有用户的情况 | 第54-57页 |
| 5.5.2 仅新用户的情况 | 第57-61页 |
| 5.5.3 新策略设计 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文所做的工作 | 第63-64页 |
| 6.2 研究不足与展望 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
| 附录 个人简历、在学期间发表的学术论文与研究成果 | 第68页 |