论文部分内容阅读
网络贷款是传统贷款在线上的扩展,但是网络贷款同样会存在违约风险,线下贷款有线下的风险评估方法,但是并不完全适用于网络贷款。本文通过对Lending Club从2007年开始运营到2018年的数据进行分析处理和建模,通过卷积神经网络和生存分析模型来建立一套相应的网络贷款违约风险评估模型,其中卷积神经网络用来预测网络贷款的违约概率,生存分析模型用来预测可能的违约时间。经过数据处理,从数据集中的151个特征变量中得到97个变量来建立违约风险评估模型,并且将预测结果和业界中常用的机器学习模型预测结果进行了对比。对比发现,卷积神经网络模型对违约贷款的预测准确率为83.75%,而Logistic模型对网络贷款违约的预测准确率为80.23%,随机森林的网络贷款违约预测准确率为76.68%,KNN模型的网络贷款违约预测准确率为70.46%。结果显示,卷积神经网络模型网络贷款违约预测准确率是高于其他的传统机器学习方法,能更准确地评估网络贷款借款人的违约风险。在前人研究的基础上,选择12个特征变量利用Cox回归模型进行网络贷款的违约时间预测。研究结果显示,网络贷款的生存曲线呈现下降的趋势,即网络贷款的生存概率与时间是反向关系,这也符合对现实的认知,即随着还款时间的增加,借款人更有可能无法进行贷款的偿付。并且可以看到在最后一段时间,即接近60个月时生存概率快速降低。经过验证,本文所建模型的违约概率预测准确率能达到83.53%,有较好的预测效果。将进行违约概率预测的卷积神经网络模型和进行违约时间预测的生存分析模型组合起来,形成一个进行网络贷款违约评估框架,为网络贷款平台提供风险管理的建议,以便其可以更好的进行风险管理,从而稳健经营。