摘 要

当下网络的发展使人们参与借贷的方式更加多元，P2P借贷模式就是在这样的背景下应运而生。但是，由于我国当前缺乏有效的P2P借款人信用风险评估手段，尚不能打消借贷参与者对安全性的疑虑。因此，对P2P借款人信用风险的预测就显得十分重要。

适用于风险预测方法很多，其中BP算法由于自身良好的自组织和自适应性能，对于处理包含非线性信息的大型复杂系统效果较好。

本研究首先整理了一般指标选择准则以及影响借款人信用的常见因素，根据这些因素对Prosper网站上的P2P借款人信用风险评价指标做初步筛选，并进一步利用主成分分析法对剩余的有效指标进行降维处理，从而构建评价借款人信用风险的指标体系。接着，根据网格搜索法的最优参数设置结果建立BP模型，输入处理后的数据对模型进行训练，并利用bagging算法优化BP模型，根据实验结果，可以发现：1）利用经主成分分析法优化的指标建立BP模型的效果优于未经主成分分析法处理的指标建立的模型；2）与常见的其他分类算法相比，BP在P2P 借款人的信用风险预测领域是优于其他算法的；3）在P2P借款人信用风险预测情境中，bagging算法可以有效的提高BP模型的预测精度和性能。

本文在实证分析中虽然使用的是美国的数据，但是预测方法和结论却不局限于数据来源。本文利用BP算法对P2P金融领域中的信用风险预测方法进行的一系列探索，对我国P2P平台今后完善信用评价指标体系和信用风险预测方法有着一定的启发作用。

关键词：P2P网贷；BP神经网络；主成分分析法；网格搜索法；bagging算法

Credit risk prediction of P2P borrowers based on PCA-BP model

ABSTRACT

With the development of the Internet, Peer to peer lending emerged, and this is also the trendy of financial services in the future. However, due to the lack of useful means of credit risk assessment for borrowers in China, it is not enough to meet the security requirements of transaction participants . Therefore, studying the borrower's credit risk prediction should be very useful.

There are many risk prediction methods in the financial field, among which BP neural network has a better effect for that it can use its own self-organization and adaptive function to deal with a variety of complex systems containing nonlinear information

According to the main causes of borrowers' credit and the principles of general indicators, this paper first selects some of the credit risk assessment indicators of P2P borrowers, and further uses the principal component analysis method to conduct dimensionality reduction processing on the data indicators, so as to build an index system for evaluating borrowers' credit risks. Then, according to the results of the optimal parameter of grid search to establish the BP model, with information from Prosper website, after processing the input data to train the model, and use the bagging algorithm to optimize BP model, based on the results, we could found out that: 1) after using principal component analysis (pca) optimize the effect of the indexes to establish BP model, the result is better; 2) compared with other common classification algorithms, BP is superior to other algorithms in the credit risk prediction of P2P borrowers; 3) in context of P2P borrower credit risk prediction, bagging algorithm can effectively improve the prediction accuracy and performance of BP model.

Although this paper chooses American data for analysis, the prediction methods and conclusions are not limited to this data sources. This paper uses BP algorithm to explore a series of credit risk prediction methods in the field of P2P finance, which will play a positive role in improving the credit evaluation index system and credit risk prediction methods of China's P2P platforms in the future.

Key words: P2P lending; BP neural network; Principal component analysis; Grid search; Bagging

目录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1研究背景与意义 1

1.1.1研究背景 1

1.1.2研究意义 2

1.2 国内外研究现状 2

1.2.1借款人评价指标研究现状 2

1.2.2预测模型算法研究现状 3

1.2.3国内外研究评述 4

1.3研究内容与框架 4

1.3.1研究内容 4

1.3.2 研究框架 5

1.4研究创新点 6

第二章 P2P信用风险评价指标体系建立 7

2.1评价指标选取原则 7

2.2影响借款人信用的因素指标 7

2.2主成分分析法优化指标 8

2.2.1 主成分分析法基本原理 8

2.2.2主成分分析法的计算步骤 9

2.3本章小结 11

第三章 P2P借款人信用风险预测模型 12

3.1 BP算法应用于P2P借款人信用风险预测的可行性 12

3.2 BP神经网络算法介绍 12

3.2.1 BP神经网络的发展背景 12

3.2.2 BP神经网络的基本原理 12

3.3 BP神经网络优化算法 17

3.3.1 Grid Search网格搜索 17

3.3.2 bagging算法 18

3.4 其他常用风险预测算法简介 19

3.5 模型性能测试方法 19

3.6 本章小结 21

第四章 Prosper借款人信用风险预测实证分析 22

4.1数据来源与说明 22

4.2数据预处理 24

4.3主成分分析法降维 28

4.4 Propser借款人信用风险预测模型 34

4.4.1BP网络结构的确立 34

4.4.2各层神经元数量的确定 35

4.4.3网格搜索法设置神经网络参数 36

4.4.4 bagging算法的实现 37

4.5 模型结果分析与对比 38

4.6本章小结 41

第五章 总结与展望 42

5.1全文总结 42

5.2研究展望 43

参考文献 44

致谢 47

第一章 绪论

1.1研究背景与意义

1.1.1研究背景

P2P(peer to peer lending)简单来说，是一种在网络上将人们闲散的小数额资金集中起来出借给有需求人群的借贷方式，它的出现可以帮助个人以及小型企业筹资，促进社会资源的合理分配。

自2006年以来，随着全球互联网技术的飞速发展，P2P网络借贷平台开始兴起。它是一种由网络信贷公司作为运营者，借助网络发布借款相关的各项信息，把借、贷双方直接对接，促成借贷交易的平台，且整个交易过程全部通过网络实现。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：