基于模型融合的互联网信贷信用风险预测研究

作     者：费鸿雁 黄浩 

作者机构：对外经济贸易大学信息学院北京 

基　　金：国家重点研发计划资助(National Key R&D Program of China) 项目编号:2017YFB1400700 

出 版 物：《统计学与应用》 (Statistical and Application)

年 卷 期：2019年第8卷第5期

页      码：823-834页

摘      要：互联网信贷信用风险的预测是互联网金融可持续发展的关键因素,在放贷前准确预估借款人的信用风险,能有效较低企业可能的风险损失。随着机器学习的发展,机器学习的算法模型在互联网信贷信用风险方面的应用也越来越多。为了探究树模型和线性模型融合在互联网信贷信用风险预测的效果,本文采用Stacking模型融合方法设计了信用风险预测模型,其中第一层模型为随机森林、XGBoost、LightGBM,第二层模型为逻辑回归。并且在拍拍贷的真实数据上进行实验,对比了融合后的模型和单模型在AUC、准确率和耗时上的表现,结果表明融合后的模型虽然耗时长一些,但是在AUC和准确率方面都比单模型的效果要好,为互联网金融信贷风险预测模型的构建提供了一个新的思路。

主 题 词：逻辑回归 信用风险 随机森林 XGBoost模型 LightGBM模型 

学科分类：12[管理学] 02[经济学] 0202[经济学-财政学类] 1201[管理学-管理科学与工程类] 020204[020204] 

D　O　I：10.12677/SA.2019.85093

馆 藏 号：203818231...