社交數(shù)據(jù)驅(qū)動(dòng)的P2P借貸風(fēng)險(xiǎn)評(píng)估模型.pdf

1、P2P借貸作為互聯(lián)網(wǎng)金融的新興形式，已經(jīng)成為個(gè)人理財(cái)?shù)囊粋€(gè)重要選擇，但是P2P借貸普遍存在違約問題。針對(duì)這一問題，現(xiàn)有的風(fēng)險(xiǎn)評(píng)估模型往往只利用借貸的標(biāo)的信息和借貸人本身信息來降低違約風(fēng)險(xiǎn)。然而不同的借款人之間并不是獨(dú)立的，因此我們引入了社交的概念(Social)，并使用增強(qiáng)學(xué)習(xí)模型中一類較好的分類器GBDT模型(Gradient Boosting Decision Tree)，提出了社交數(shù)據(jù)驅(qū)動(dòng)的P2P借貸風(fēng)險(xiǎn)評(píng)估模型(GBDT-SOC

2、)。
　　本研究通過對(duì)P2P借貸數(shù)據(jù)的統(tǒng)計(jì)，發(fā)現(xiàn)社交因素與借貸人違約之間的潛在關(guān)系;分別對(duì)借貸人基于朋友信息的點(diǎn)對(duì)點(diǎn)聯(lián)系和基于群組信息的群體間聯(lián)系建立了相應(yīng)的社交影響力模型。然后我們進(jìn)行特征選取和特征的重新構(gòu)建，并在這些特征上使用GBDT模型進(jìn)行建模，并將我們建立的社交影響力模型與GBDT模型結(jié)合，構(gòu)建本文的GBDT-SOC模型，對(duì)模型進(jìn)行線性回歸。最后利用梯度下降法訓(xùn)練參數(shù)，得到對(duì)借貸的風(fēng)險(xiǎn)評(píng)估結(jié)果。在P2P借貸平臺(tái)Prospe