论文基于因子分析和Logistic分析个人信用评估方法是关于Logistic方面的的相关大学硕士和相关本科毕业论文以及相关logistic回归分析论文开题报告范文和职称论文写作参考文献资料下载。
【摘 要】随着大数据概念的提出,企业和个人越来越重视数据中隐藏的潜在价值.为准确评价P 网络贷款平台借款人的信誉度,本文利用因子分析方法从22个自变量中浓缩出8个“共同因子”,建立信用评价指标体系,并利用Logistic模型对借款人行为进行预测.这种个人信用评价指标体系的筛选保留了大量的信息量,并利用Logistic模型给出了用户违约概率.
【关键词】P 网贷 因子分析 评估指标体系 Logistic分析
一、引言
从硅谷到北京,大数据的话题正在被传播.如今,一个大规模生產、分享和应用数据的时代正在开启[1].众多企业正面临着海量的管理数据,越来越关注如何从海量的数据中挖掘提炼出对企业有效的决策支持信息,提高企业的生存能力和企业的发展速度.某种程度上,数据就是企业最珍贵的财富.而数据财富的转化需要一种能够将大量数据智能化地转化为有价值的信息的技术,以达到为人们提供决策服务的目的.随着计算机技术和统计分析方法的发展,量化分析已经成为各个学科领域中广泛应用的技术方法.根据国际权威高德纳咨询公司的调查分析报告显示,数据挖掘技术将是今后几年全世界范围内重点加大投资研究的十大新兴高科技技术之一,它已经引起了学术界和工商界的重点关注,是当今数据库系统开发、研究和应用领域的一个热点技术[2].
自2007年国外网络贷款平台模式引入中国以来,国内P 网络借贷平台如雨后春笋般蓬勃发展.这一模式为很多无法从银行或其他信贷机构获取贷款的支持的个人消费者、微企业主提供了一种新的融资渠道.然而,P 网贷面临诸多风险：个人信用风险,平台账户资金使用不当引发经营风险,法律风险等.目前我国的公民信用体系还不健全,平台和平台之间又缺乏联系和沟通,各个平台频频出现坏账,借款人不能及时还款,造成了借款人集中违约,借款人信用风险无疑是平台面临的最大风险.如何有效地识别借款者并预测其未来的贷款偿还表现,控制其信用风险,已成为当前亟待解决的问题.
个人信用评估,是指通过使用科学严谨的分析方法,综合考察影响个人及其家庭的内在和外在的主客观环境,并对其履行各种经济承诺的能力进行全面的判断和评估.本文基于某P 网络借贷平台的个人标的数据,综合运用因子分析法和Logistic回归分析法构建P 网贷平台个人信用评估模型.从模型的预测结果看,基于Logistic回归分析的个人信用评估模型有较高的精度,并能预判标的数据违约概率,可控制性强.
二、文献回顾
自2005年P 网络贷款平台首次在英国出现以来,国外理论界也一直致力于对这种新型互联网金融借贷模式的探讨和研究.国外目前对P 网贷的研究比较成熟,研究成果非常丰富.Lauri Puro[3]等（2010）通过研究P 借贷平台Prosper.com,提出借款人决策建议模型,帮助借款人量化其战略选择.Robert&Benjamin（2010）通过研究发现,出借人可以通过网络平台获取借款人的个人信誉,设法从中选取出信誉好的借款人进行投资.这种方式可以有效缓解道德风险,虽然要付出的成本较高,但相比传统模式还是比较合适的.Durand[4]（1941）首先将判别分析法用于信用评分,正式提出使用数理统计模型辅助消费者授信决策的观念.William Fair & Earl Isaacs（1958）利用判别分析法建立了著名的FICO信用评分系统.Wiginton[5]（1980）在信用评分模型中首次尝试使用Logistic回归方法,并和判别分析法进行比较.由于Logistic方法前提假设条件少,并且对变量没有正态性假设的要求,应用广泛,常用来做信用评分模型,延续至今.
我国社会信用体系建设经历了三个阶段：起步阶段、初步发展阶段、加速发展阶段现在已经进入全面推进社会信用体系建设的加速发展阶段.但和美国相比我国的信用体系尚不完善,P 网络贷款的研究起步也较晚.对P 网贷的研究一开始停留在对网贷的介绍,营运模式比较等方面.辛宪[6]（2009）通过对国外典型P 网贷平台的运营模式进行研究,将P 企业运营模式归纳为：非盈利公益型（Kiva）、单纯 型（Prosper）和复合 型（Zopa、Lending Club）三类.陈初[7]（2010）也对网贷运营模式进行了研究,将运营模式归纳为：综合授信（以企业网上行为参数为基础）,“P ”网络融资模式,网贷企业做银行金融业务的外包服务商,为学生提供贷款.随着信息技术的发展,近年来许多数据挖掘的新方法如神经网络、决策树、遗传算法、专家系统等陆续也被引入信用评分领域中.
三、个人信用风险评估模型两步走
随着科学技术的发展,大数据时代的到来,数据的收集变得越来越容易,收集信息越来越详细,维度也越来越高.尽管大数据给我们提供了更详细的信息,但是维度越高,数据量越大研究所面临的困难也越大.找一种合适的统计方法,在海量数据中筛选出有用的信息,降低数据维度,简化模型,减少时间成本,成为人们关注的焦点.基于此,本文提出个人信用评估模型两步走的基本思路,模型建立前最重要的一步是变量降维.第一步：先对样本数据做因子分析.因子分析是一种多变量化简技术.目的是分解原始变量,从中归纳出潜在的“类别”,相关性较强的指标归为一类,不同类变量的相关性较低.每一类变量代表了一个“共同因子”,即一种内在结构,因子分析就是要寻找该结构.至于如何利用因子分析法降维,下文会详细介绍.第二步：利用机器学习领域的Logistic回归分析将第一步降维后的“共同因子”进行回归分析,建立预测“好”、“坏”借款人的模型[8].不直接使用Logistic回归分析的原因是：一是样本数据变量较多,数据量大；二是变量之间可能会存在多重共线性.通过第一步的因子分析降维,提高运行效率和模型结果的拟合准确度.
四、实证研究
(一)数据和变量情况
总结:这是一篇与Logistic论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
参考文献：
1、 基于支持向量机和决策树CART的个人信用评估 摘要：为了更好地控制借款人的信用风险，利用支持向量机对个人信用进行预测与分析，在支持向量机对个人信用评估产生缺陷的基础上提出基于代价敏感学的CA。
2、 客户信用评估模型 摘 要：为克服由因于客户信用评估的非线性和不确定性，且样本数据积累少、偏差大和真实数据获得难度较大而产生的困难，提出1种基于改进的遗传神经网络客。
3、 我国国际海上客运企业信用评估体系构建 【摘 要】 为响应“信用中国”总体部署和“信用交通”建设方案要求，结合我国国际海上客运市场发展和监管现状，分析我国国际海上客运企业信用评估体系的。
4、 基于因子分析我国上市证券业信用风险分析 【摘要】信用风险对于衡量上市公司的经营能力尤为重要。本文通过因子分析的方法，以证券行业为例选择了2017年第三季度的九个具有代表性的财务指标，通。
5、 信用违约事件对股市影响多大 目前信用违约率很低，稳中求进、发展中解决问题的政策基调下，信用风险全面扩散概率不大，对股市影响更偏情绪面。近期，债市频繁曝出信用违约事件，新增。
6、 两部委发文:构建五位一体行业信用体系 近日，商务部信用工作办公室与国资委行业协会联系办公室联合印发《关于进一步做好行业信用评价工作的意见》（商信用字〔2015〕1号，以下简称《意见》。