| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第1章 绪论 | 第6-11页 |
| 1.1 研究背景 | 第6-7页 |
| 1.2 研究目的与意义 | 第7-8页 |
| 1.2.1 研究的目的 | 第7页 |
| 1.2.2 研究的意义 | 第7-8页 |
| 1.3 研究内容与方法 | 第8-10页 |
| 1.3.1 研究内容 | 第8-9页 |
| 1.3.2 研究方法 | 第9-10页 |
| 1.4 本文的主要贡献 | 第10-11页 |
| 第2章 文献综述与相关理论 | 第11-19页 |
| 2.1 文献综述 | 第11-15页 |
| 2.1.1 信用风险识别研究相关文献 | 第11页 |
| 2.1.2 P2P网贷研究相关文献 | 第11-15页 |
| 2.1.3 文献评述 | 第15页 |
| 2.2 相关理论 | 第15-19页 |
| 2.2.1 信息不对称理论 | 第15-16页 |
| 2.2.2 XGBoost算法 | 第16-19页 |
| 第3章 大学生网贷信用风险问题描述与分析 | 第19-22页 |
| 3.1 大学生网贷信用风险概述 | 第19页 |
| 3.2 大学生网贷信用风险问题分析 | 第19-21页 |
| 3.2.1 偏重计量分析的定量方法 | 第19-20页 |
| 3.2.2 人工智能方法 | 第20-21页 |
| 3.3 小结 | 第21-22页 |
| 第4章 大学生网贷项目信用风险识别方案理论框架 | 第22-26页 |
| 4.1 客户细分 | 第22页 |
| 4.2 特征选择 | 第22-23页 |
| 4.3 信用评分卡 | 第23-24页 |
| 4.4 方案策划总体框架 | 第24-26页 |
| 第5章 大学生网贷项目信用风险识别模型 | 第26-39页 |
| 5.1 大学生网贷项目数据基本特征 | 第26-32页 |
| 5.1.1 数据来源 | 第27页 |
| 5.1.2 数据预处理 | 第27-29页 |
| 5.1.3 数据描述性统计 | 第29-32页 |
| 5.1.4 特征选择 | 第32页 |
| 5.2 基于Logistic模型的大学生网贷项目信用风险识别 | 第32-34页 |
| 5.2.1 模型结果分析 | 第33-34页 |
| 5.2.2 预测效果 | 第34页 |
| 5.3 基于SVM模型的大学生网贷项目信用风险识别 | 第34-35页 |
| 5.4 基于XGBoost模型的大学生网贷项目信用风险识别 | 第35-37页 |
| 5.4.1 模型参数选择 | 第35-36页 |
| 5.4.2 模型结果分析 | 第36页 |
| 5.4.3 预测效果 | 第36-37页 |
| 5.5 模型比较 | 第37-38页 |
| 5.6 小结 | 第38-39页 |
| 第6章 基于客户细分的网贷项目信用风险识别方案设计 | 第39-50页 |
| 6.1 基于新老客户细分的网贷项目信用风险识别 | 第39-42页 |
| 6.1.1 新老客户细分结果 | 第39页 |
| 6.1.2 新客户人群网贷项目风险识别 | 第39-41页 |
| 6.1.3 老客户人群网贷项目风险识别 | 第41-42页 |
| 6.2 基于学历细分人群的网贷项目信用风险识别 | 第42-49页 |
| 6.2.1 基于学历细分结果 | 第42-44页 |
| 6.2.2 高学历人群网贷项目风险识别 | 第44-46页 |
| 6.2.3 普通人群网贷项目风险识别 | 第46-47页 |
| 6.2.4 低学历人群网贷项目风险识别 | 第47-49页 |
| 6.3 小结 | 第49-50页 |
| 第7章 大学生网贷项目信用风险度量方案 | 第50-61页 |
| 7.1 XGBoost模型度量方案 | 第50页 |
| 7.2 评分卡模型度量方案 | 第50-55页 |
| 7.2.1 变量筛选 | 第51页 |
| 7.2.2 WOE转换 | 第51-53页 |
| 7.2.3 Logistic回归 | 第53-54页 |
| 7.2.4 评分卡的创建 | 第54-55页 |
| 7.3 信用评分卡有效性检验 | 第55-57页 |
| 7.4 其他人群网贷项目信用风险的度量结果 | 第57-61页 |
| 第8章 结论 | 第61-62页 |
| 8.1 本文结论 | 第61页 |
| 8.2 不足与展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 | 第65-72页 |
| 致谢 | 第72-73页 |
