基于人工智能的P2P贷款受理与违约预测

2022-6-24 07:08:13

P2P贷款接受和人工智能违约预测预印本Jeremy D.Turiel计算机科学系LondonGower街，BloomsburyLondon WC1E 6BT，United Kingdomjeremy。图里尔。18@ucl.ac.ukTomasoAste公司*计算机科学系伦敦大学学院和高尔街，布卢姆斯伯兰登WC1E 6BT，联合王国。aste@ucl.ac.ukJuly2019年4月，抽象深度神经网络应用于贷款数据，以复制贷款人对贷款的接受情况，并预测已发放贷款违约的可能性。提出了一种两相流模型；第一阶段预测贷款拒绝，第二阶段预测已批准贷款的违约风险。LogisticRegression被发现在第一阶段表现最好，测试集召回宏观得分为77.4%。深度神经网络仅应用于第二阶段，它们是否达到了最佳性能，默认情况下的验证集召回分数为72%。这表明人工智能可以改进当前的信用风险模型，将已发行贷款的违约风险降低高达70%。该模型也适用于仅为小企业提供的贷款。当对整个数据集进行训练时，模型的第一阶段表现明显更好。相反，第二阶段在接受小企业子集培训时表现明显更好。这表明这些贷款的筛选方式与违约预测分析方式之间存在潜在差异。P2P借贷·人工智能·大数据·违约风险·金融自动化1简介现代大数据集和开源数据的可用性，以及计算和算法CDATA分析技术的进步，重新激发了人们对这项风险预测任务的兴趣。此外，贷款审批流程的自动化为小企业和个人提供了新的融资机会。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:16

由于人工处理的高成本，这些银行以前获得信贷的机会更加有限。最终，这一过程的自动化有可能减少人类偏见和腐败，使所有人都能更公平地获得信贷。金融技术对这个正在迅速变化的领域产生了巨大影响[]。这一模型在P2P借贷中的应用只是一个例子，其他例子包括发展中国家的小额融资和逐笔贷款评估用于投资的贷款组合。P2P借贷近年来吸引了业界、学术界和公众的关注。这还得益于主要P2P借贷平台的大规模扩张，如借贷俱乐部（lending Club），该公司目前已向逾300万客户提供了逾450亿美元的贷款。P2P贷款覆盖率和普及率不断提高的另一个原因是其在东欧、南美和非洲欠发达市场的快速扩张。随着该行业在货币和社会方面的相关性不断增强，监管的必要性也随之产生。FCA是为该行业制定规则的常客之一[2，3]，这表明了这一趋势在美国以外的发达国家的重要性。*金融计算和分析主管Grouphttp://www.cs.ucl.ac.uk/staff/tomaso_aste/.UCLCentre区块链技术总监http://blockchain.cs.ucl.ac.uk/tomaso-aste/.arXiv:1907.01800v1【q-fin.RM】2019年7月3日预印本-2019年7月4日由于其易于访问的历史数据集，借贷俱乐部是多个调查P2P借贷违约驱动因素的出版物的主题[，]。新兴国家P2P贷款的增长也吸引了研究兴趣，例如[]调查墨西哥的贷款。这突出了P2P贷款在为新兴国家的人口提供信贷方面的关键作用。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:19

跨学科科学界，如网络科学界，也开始对P2P借贷的社会经济动态表现出兴趣[]。更多的理论研究也探讨了P2P借贷需求和增长的原因。由于借贷对手之间的信息不对称，这通常与信贷配给的概念有关[]。小额金融机构是解决信贷配给问题的一个办法，其重点是允许公平获得信贷和减少贫困。《艾德·马加津》（iredmagazine）杂志主编克里斯·安德森（ChrisAnderson），Serrano Cinca等人已经确定了“少卖有自我维持的商业模式”的概念。他们已经提出，技术将允许降低成本和利率，从而导致类似电子商务的革命【10】。这项工作旨在为这一目标做出贡献。据我们所知，研究P2P贷款驱动因素的学术出版物[，，]已将简单回归模型应用于此任务。这项工作在将大数据和人工智能技术应用于P2P贷款方面迈出了重要的一步，结合了两个主要的颠覆性新兴领域。应用，在第3节中，我们展示了应用于整个数据集的模型第一阶段（第3.1.1节）和第二阶段（第3.1.2节）的结果和相关讨论，第3.2节然后研究了“小企业”贷款中应用的类似方法，第4节从我们的工作中得出结论，然后在第5.2节数据集和方法2.1数据集中确认接受贷款的总数（蓝色）、拒绝贷款的数量占申请贷款总数的分数（绿色）和申请贷款的总数（红色）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:22

黑线代表原始时间序列，由于违约贷款比例明显减少，垂直黑线右侧的数据被排除在外，这是因为违约是一个随机累积过程，并且贷款提前偿还36-60。这将构成一个有偏见的测试集。预印本-2019年7月4日https://www.lendingclub.com). 数据集从Kaggle（www.Kaggle.com）下载。贷款、婚礼、房屋相关贷款、小企业贷款和其他贷款。其中一个数据集包含被信贷分析师拒绝的贷款，而另一个数据集包含数量明显更高的贷款，表示已接受的贷款，并显示其当前状态。我们的分析涉及这两个方面。第一个数据集包含超过1600万笔被拒绝的贷款，但只有9个特征。第二个数据集包括≈ 15≈ 由于没有可用的默认或付款结果，已从数据集中删除800000800000作为“当前”。已选择Accepted600000150000贷款的数据集进行分析，并将此功能用作默认预测的目标标签。“10%≈ 已发放贷款总额的50%。拖欠贷款代表15- 已发放贷款的20%进行了分析。在目前的工作中，第一阶段的特征被简化为两个数据集之间共享的特征。例如，贷款申请人的地理特征（美国州和邮政编码）被排除在外，即使它们可能是信息性的。第一阶段的特点是：1）债务收入比（申请人）；2）就业期限（经验学习）。为了获得接受和拒绝贷款日期的共同特征，适用于模型的第二阶段，其中所有日期均与发放日期相对应。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-24 07:08:26

两者的所有数字特征都泄漏到模型中。模型第二阶段考虑的特点是：1）贷款金额（当前申请的贷款）；2）（8）债务与收入比率（申请人）；9）（申请人）记录中的最早信用额度；10）未结信用额度的数量（在申请人的信用文件中）；11）（申请人）贬损性公共记录的数量；12）循环额度利用率（借款人使用的信贷金额相对于所有可用的循环信贷）；13）信贷额度总数（在申请人的信贷文件中）；14）抵押贷款信用额度数量（申请人的信用对数是为了缩放）；17）（申请人的）FICO分数；18）（申请人）总信用转帐余额的对数。排除了为数据集的有限部分（少于70%）提供信息，缺失数据通过平均插补进行查询。这不应该对我们的分析产生相关影响，因为累积平均插补值低于总体特征数据的10%。此外，统计数据是针对每个至少10000笔贷款的样本计算的，因此计算结果不应产生偏差。数据集统计数据的时间序列表示如图1所示。与此数据集（或其早期版本，如[]）的其他分析不同，此处用于违约分析，我们仅使用贷款机构在评估贷款和发放贷款之前已知的特征。例如，一些在其他作品[]中发现非常相关的特征被排除在该领域的选择之外。这里没有考虑的最相关的特征之一是利率和俱乐部分析员指定的等级。事实上，我们的研究旨在为贷款机构找到与违约预测和贷款回吐先验相关的特征。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-6-24 07:08:29

因此，信贷分析师提供的评分以及借贷俱乐部提供的利率不会成为我们分析中的相关参数。2.2方法将两种机器学习算法应用于第2.1节：基于线性核的逻辑回归和支持向量机的数据集（有关这些方法的一般参考文献，请参见[，]）。预印本-2019年7月4日也应用了神经网络，但仅适用于默认预测。神经网络以线性分类器（至少在原则上类似于逻辑回归）和深层（两个隐藏层）神经网络的形式应用【15】。正则化技术用于避免过度拟合，L2正则化是最常用的，但LR和SVM的网格搜索中也包括了alsoL1正则化。这些是以弹性网的形式相互排斥的hencenot[，]。通过extensivegrid搜索执行模型的初始超参数优化。正则化参数α的范围各不相同，但最宽的范围是α=[10-5, 10]. α值均为整数指数的10次幂。超参数由网格搜索确定，仅在第3节规定的某些情况下手动调整。这是通过在网格搜索中移动参数范围或为超参数设置特定值来实现的。这主要是在有证据表明在训练模型时通过平衡权重过度拟合fromas时进行的。手动超参数调整是模型经验评估的结果。事实上，通过不同的标准进行模型评估，以确保较高或较低水平的规范化可能是最佳的，然后通过fixing手动将其纳入培训，并在分析中使用验证（或测试）集。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-24 07:08:32

数据集在一开始就被拆分，以防止信息泄漏，这可能会为模型提供有关测试集的信息。然后，测试集包含未来看不见的数据。结果验证使用了两个指标，即召回率和AUC。AUC可以解释为分类者将随机选择的正实例排名高于随机选择的负实例的概率[]。这与分析非常相关，因为信用风险和信用评级也与其他贷款相关。MetricExtrapolate平均而言，违约贷款的风险是否高于全额支付贷款。召回是指正确预测的某类贷款（如拖欠或全额支付的贷款）的细分。应用了50%概率的标准阈值，用于向上或向下取整到一个二进制类。这是相关的，因为它不测试分配给贷款的相对风险，而是测试总体风险和模型在预测中的可信度【19】。3结果与讨论3.1通用两阶段模型用于所有目的类别预测3.1.1第一阶段最大化未加权召回平均值。未加权的召回平均值称为召回宏，计算为目标标签中所有类别的召回分数的平均值。平均值不受响应目标标签中不同类别的countscor数的加权。我们在网格搜索中最大化召回宏，作为预测平均值的最大准确度。这使得在培训集中人数过多的课程更受重视，这种偏差可能导致过度匹配。75%/25%90%/10%25%样品用于测试，观察到产生更稳定可靠的结果。α \' 10-3’79.8%的测试集预测返回的召回宏观评分为‘77.4%，AUC评分为‘86.5%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 07:08:35

被拒绝贷款的测试回忆得分为85.7%，被接受贷款的测试回忆得分为69.1%。使用支持向量机分析相同的数据集和目标标签。与Logistic回归的网格搜索类似，召回宏被最大化。网格搜索用于调整α。训练回忆宏为77.5%，而测试回忆宏为75.2%。被拒绝贷款的个人测试回忆得分为84.0%，被接受贷款的个人测试回忆得分为66.5%。测试分数变化不大，因为α=[10]的可行范围-3, 10-5].在这两种回归中，接受贷款的召回分数均较低≈ 15%，这可能是由于阶级不平衡（有更多被拒绝贷款的数据）。这表明，更多的训练数据将提高这一得分。从以上结果中，我们观察到，几乎20X的阶级不平衡会影响模型在代表性不足的阶级上的表现。然而，在我们的分析中，这种现象并不特别令人担忧，因为向一个不值得的借款人贷款的成本是70%，所以要获得他们的贷款。一份预印本——2019年7月4日，逻辑回归的结果出人意料地准确，这表明信贷分析师可能正在用一个类似线性的函数来评估属性中的数据。这可以解释第二阶段所显示的改进，当时只使用了一个简单的模型进行信用筛选。3.1.2将第二阶段逻辑回归、支持向量机和神经网络应用于公认的贷款数据集，以预测违约。至少在原则上，这是一项更为复杂的预测任务，因为涉及更多的特征，并且事件的内在性质（默认与否）既有概率性，也有随机性。分类特征也存在于本分析中。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:38

前两个模型都是“热编码”的，但在这项工作中，由于编码产生的列数大大增加了模型的训练时间，因此将其排除在神经网络之外。在未来的工作中，我们将研究具有这些分类特征的神经网络模型。90%/10%集（由于观察到过采样会导致模型过度拟合，所以采用了下采样）。数据，至少在回忆得分方面。在这种情况下，比例过高的类别是全额支付的贷款，而正如第3.1.1节所述，我们更关心的是预测违约贷款，而不是对全额支付的贷款进行错误分类。3.1.3第二阶段-Logistic回归Logistic回归的网格搜索返回了一个值为α\'10的最优模型-2、对于第3.1.1节中的模型，网格被设置为最大化召回宏。训练回忆宏观得分为64.3%，测试AUC和回忆宏观得分分别为69.0%和63.7%。默认情况下的个人测试回忆分数为63.8%，两个班级的为63.6%。与第3.1.1节讨论的不同，最大化AUC不会导致强烈的过度拟合。在AUC和回忆宏观方面，测试分数都较低。3.1.4第二阶段-支持向量机支持向量机也应用于数据集。网格搜索返回的最佳α值为α=10-2，与第3.1.3节中的逻辑回归相同。然而，该模型的得分比逻辑回归得出的得分要差。违约贷款的测试AUC为64.3%，个人测试召回分数为58.7%，全额支付贷款的测试AUC为65.6%，见表1。可以推断，该数据集的分析并没有从SVMkernel测试集性能的非线性中获益。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 07:08:42

此外，对于对借款人资产负债表有较大影响的人数过多的班级，回忆分数也会提高。如此严重的分数不平衡也不是理想的预测质量。应注意的是，标签类不平衡（违约和全额支付的贷款）比第3.1.1节中描述的要弱得多，违约贷款占15- 数据集的20%。表1：模型第二阶段LR和SVM测试的主要结果表。贷款违约预测结果ModelαRecall Train AUC TestRecall TestLR 10-264.3%69%63.7%/63.8%/63.6%SVM 10-2.- 64.3%62.2%/58.7%/65.6%3.1.5第二阶段-神经网络线性神经网络分类器以及深层（两个隐藏层）神经网络也在模型第二阶段的数据集上进行了训练。线性神经网络分类器仅针对数字特征以及数字和分类特征进行训练。然后应用L2正则化。仅数字特征测试分数a预印本-2019年7月4日返回的AUC为67.8%，召回率为60.0%（针对违约贷款）。当引入分类特征时，该模型也产生了改进的结果。测试分数返回的AUC为68.7%，召回率为62.7%（针对违约贷款）。这些分数略低于逻辑回归的分数，但它们尚未实施正规化。一旦L2调节（α=10）被手动设置和应用，测试AUC提高到69%，召回率提高到65%（对于默认贷款）。深度神经网络（具有表2中任意两个隐藏层的节点结构DNNain）最初仅应用于数值数据。与线性分类法相比，测试AUC和召回（针对违约贷款）得分分别为68%和67%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 07:08:45

这确实表明了更高级的特征组合是如何通过目标标签改进的，这无疑意味着比最初提供给模型的特征和特征组合更加复杂。然后，通过对节点编号N的网格搜索，为两个隐藏层重新定义DNN。网格搜索在setsn中的所有值组合上运行∈ {5，10，15，20，30}，n∈ {1、3、5、10}并通过应用高水平的辍学正规化（20%）。根据经验，从[0%，30%]中选择辍学正规化水平，以减少DNN的固有倾向，从而形成更稳健和通用的模型基础设施。超参数优化的结果。表2描述了从网格搜索中选择的两个网络结构的结果（以及DNNA-任意两个隐藏层节点结构）。选择这些网络结构，因为它们的结果显示了稳定AUC和高默认召回率的理想特性。表2：模型第二阶段测试的DNN架构的主要结果表。贷款违约预测结果Model Dropout Recall Train AUC TestRecall DefaultTestDNNa20%-68%67%DNNb20%71%66%75%DNNc20%68%69%72%aDNN具有任意节点编号【n=20，n=5】bDNN，节点编号微调为【n=30，n=1】cDNN，节点编号微调为【n=5，n=3】DNN图2中的表示将完全连接层中每个链接的权重编码为线厚度。节点大小和颜色表示节点输出权重的归一化和。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:48

这种表示法显然构成了一种近似，因为节点包含非线性，但它仍然提供了一种有用的视觉解释和稳定性检查工具。3.2“小企业”类别的两阶段分析第2.2节中描述的“目的”功能提供了有关申请贷款目的的信息。此处特别关注该功能的小企业类别。该贷款类别的[]. 此外，这一目的可以说不同于其他目的，更注重业务，而不仅仅是个人贷款。因此，我们决定单独研究这一类别，尽管它包含在用于前几节所述分析的整个数据集中。3.2.1第一阶段-仅小企业培训数据仅对“小企业”贷款进行了逻辑回归和支持向量机培训和测试。对两个网格搜索进行逻辑回归训练，一个最大化AUC，另一个最大化回忆宏。前者返回一个最优模型，α=0.1，训练AUC得分为88.9%，测试AUC得分为65.7%。个人回忆得分为“拒绝贷款48.0%，接受贷款62.9%。训练和预印本之间的差异-2019年7月4日图2：节点大小和颜色表示总输出重量和边缘宽度与重量成比例的神经网络表示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:51

所代表的DNN具有调整为[5，3]和tanh非线性的节点数。表3：在数据的“小企业”子集上训练和测试的SVM和LR网格的小企业贷款接受结果和参数。模型网格度量α训练分数AUC测试召回拒绝召回接受LR AUC 0.1 88.9%65.7%48.5%62.9%LR召回宏0.1 78.5%65.5%48.6%57.0%SVM召回宏0.01-89.3%47.8%62.9%SVM AUC 10-83.6%46.4%76.1%后者网格搜索返回的结果与前者有些相似。训练回忆宏为78.5%，测试回忆宏为52.8%。被拒绝贷款的AUC测试得分为65.5%，个人测试回忆得分为48.6%，接受贷款的AUC测试得分为57.0%。该网格的结果再次显示了过度拟合和模型无法推广。虽然被拒绝的贷款预计召回率低于50%，但比随机猜测更糟糕。这可能只是表明模型无法预测此数据集，或者数据集没有提供足够清晰的模式或信号。支持向量机在数据集上的表现与逻辑回归相似。这里还进行了两次网格优化，以分别最大化AUC和recall macro。前者的测试AUC得分为89.3%，被拒绝贷款的个人回忆得分为47.8%，被接受贷款的个人回忆得分为62.9%。后一个网格返回的测试AUC分数为83.6%，拒绝贷款的个人召回分数为46.4%，接受贷款的个人召回分数为76.1%（该网格实际上选择了一个具有弱L1正则化的最佳模型）。建立了最终模型，其中用户确定了正则化类型（L2正则化），并将正则化参数的范围移到较低的值，以减少模型的拟合不足。网格设置为最大限度地调用宏。接受的贷款为82.2%、47.3%、70.9%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:55

这些是稍微更平衡的回忆值。然而，该模型显然仍然无法很好地对数据进行分类，这表明Credit可能使用了其他评估手段或特征，其样本数量低于第3.1.1节所述，贷款少于3.10，仅≈ 10接受的贷款。预印本-2013年7月4日。2.2第一阶段-所有培训数据鉴于在小企业数据集上培训的模型表现不佳，为了利用主数据集中的大量数据及其推广到新数据及其数据子集的潜力，Logistic回归和支持向量机在整个数据集上进行训练，并在小企业数据集的子集上进行测试（最新贷款，如第2.2节所述的方法）。与第3.2.1节中讨论的结果相比，该分析产生了显著更好的结果。结果见表4。在其“小企业”子集上进行测试。模型网格度量α训练分数AUC测试召回拒绝召回接受LR AUC 1 89.0%71.9%53.5%60.2%LR召回宏0.1 77.9%71.7%54.0%59.9%LR固定0.001 80.0%71.1%55.2%65.2%LR固定0.0001 80.1%71.0%55.9%62.9%SVM召回宏0.01-77.5%52.6%68.4%SVM AUC 10-89.0%97.3%43.3表4所示结果对于逻辑回归，仍然存在持续较高的召回率接受贷款。因此，小企业贷款违约的可能性更高，因此被认为风险更大，而根据所有数据训练的模型没有这些信息。贷款违约信息仅作为标签显示在违约分析中，因为没有拒绝贷款的数据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:08:58

未来的工作可能会将与贷款用途相对应的违约贷款百分比作为新功能输入，并验证这是否会改进模型。支持向量机的结果与logistic回归的结果一致。训练以最大化AUC的网格显然过度匹配了被拒绝的类以最大化AUC，应该丢弃。grid maximisingrecall宏的结果与Logistic回归的结果具有相同的趋势。回忆得分稍微有点不平衡。如第3.1.1.3.2.3节所述，这证明了逻辑回归在预测任务中具有更好的性能。第二阶段对接受的贷款数据进行逻辑回归和支持向量机训练，以预测具有“小企业”目的的贷款违约。与第3.2.1节中讨论的分析类似，对模型进行了训练，令人惊讶的是，再次对代表性不足的违约贷款类别进行了更好的预测。这可能是因为大额贷款可能处于高风险状态，而并非所有风险贷款都必然违约，因此得分不平衡。在这种情况下，网格搜索中的MaximisingAUC为逻辑回归提供了最佳和最平衡的结果。类似于≈ 代表人数不足的班级的3%的能力可能是由于贷款随着时间的推移而继续存在，应在进一步的工作中进行调查。三个阈值带可能会改善结果，其中只评估更强的预测。支持向量机为这项任务提供了更平衡的结果，尽管总体上更差。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:09:01

在支持向量机和LR中，我们观察到更强的正则化（对应于更高的α值）如何改善表5测试集的召回结果：小企业贷款默认结果以及在数据的“小企业”子集上训练和测试的支持向量机和LR网格的参数。模型网格度量α训练分数AUC测试召回默认召回对AUC 0.1 64.8%66.4%65.2%57.4%LR召回宏0.01 60.4%65.3%64.6%53.3%SVM召回宏0.01-59.9%59.8%58.8%SVM AUC 0.1-64.2%50.8%65.8%A预印-2019年7月4日观察到。结果见表6。该模型对全额支付贷款的预测很差，召回率甚至低于50%。这可能表明，这些贷款的筛选方式与其他类别的贷款类似，但它们的内部违约风险确实非常不同。这也体现在这些贷款与所有其他贷款类别之间的贷款存续差异中。[]网格返回的最佳参数表明，与表5中的结果相比，正则性较弱。为了预测其数据的子集，更强的正则化可能会改善结果，这可能会在未来的工作中得到验证。不过，应该考虑的是，规范化可能会降低一小部分数据的重要性，例如小企业贷款。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:09:05

小企业子集相对于“1.3%”和“1.25%”的比例表明贷款的潜在风险及其因素存在差异。通过比较LR和SVM，已经可以得出第4节中描述的关于模型泛化的结论，目的是通过更复杂的模型和特征组合来提高模型性能，这是第3.1节的主题。表6：在整个数据集上训练的SVM和LR网格的小企业贷款默认结果和参数，并在其“小企业”子集上测试。模型网格度量α训练分数AUC测试召回默认召回对价AUC 0.001（L1）69.8%68.9%81.0%43.3%LR AUC 0.001 69.7%69.2%86.4%35.0%LR召回宏0.001 64.2%69.2%86.4%35.0%SVM召回宏0.001-64.1%77.7%48.3%SVM AUC 0.001-69.7%77.7%48.3%4结论本文证明，P2P贷款接受和违约可以通过结果贷款接受超过85%（拒绝召回），贷款违约超过75%（违约召回）。鉴于目前的贷款筛选导致违约率约为20%（见图1），我们可以推断，本文提出的方法可能会将违约贷款减少到10%，从而对该市场的效率产生积极影响。表现最好的工具是贷款接受的逻辑回归和贷款违约的深层神经网络。通过复制传统贷款筛选的线性模型获得的高召回率表明，在这一阶段也有很大的改进空间。贷款等级和利率特征被发现与预测[]年的贷款违约最相关。当前的模型试图预测违约，而不使用来自信贷分析师评级和指定利率的有偏差数据，因此这些特征被排除在外。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:09:07

深度神经网络和逻辑回归模型对传统的信贷筛选提供了实质性的改进。召回得分显著且稳健地高于70%，而深度神经网络的AUC得分为70%，甚至在[]中的逻辑回归上也有所改善。在我们的研究中，该模型提供的功能可推广到P2P借贷以外的任何借贷活动和机构。因此，为了预测贷款违约风险，而无需进行人为信用筛查，可以扩大目前的工作。第3.1节所述的用于所有贷款目的的两阶段模型总体表现较好，信贷分析师筛选和接受的贷款违约率高达75%，远高于50%，同时没有对该阶段进行过多处罚，仅在小企业贷款方面进行培训后，违约预测总体上要好得多。这与他们的违约风险和特点有关。神经网络的表现明显优于其他模型，这表明它们可能用于违约预测，进一步用于信贷分析师筛选。神经网络具有可预测性。这一点以及进一步的数据预处理和扩充应该是进一步工作的主题。我们将进一步将工作扩展到发展中国家的小额融资和逐笔贷款评估等领域。基于信息过滤网络技术的模型预印本2019年7月4日[]、[]、[]、[]、[]也将是未来研究的主题。5致谢作者感谢EC Horizon 2020 FIN-Tech项目的部分支持和有用的讨论机会。JT感谢EPSRC（EP/L015129/1）的支持。JT感谢Guido Germano博士提供有用的反馈和讨论。TA感谢ESRC（ES/K002309/1）、EPSRC（EP/P031730/1）和EC（H2020-ICT-2018-2 825215）的支持。参考文献【1】德勤报告。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝