(3.84.139.101) 您好!臺灣時間:2019/07/18 02:30
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
本論文永久網址: 
line
研究生:江孟聲
研究生(外文):Chiang, Mong-Sheng
論文名稱:深度學習應用於違約風險之預測 — 以Lending Club為例
論文名稱(外文):Deep Learning Applied to Default Risk Prediction – Evidence from Lending Club
指導教授:楊雅薇楊雅薇引用關係
指導教授(外文):Yang, Ya-Wei
口試委員:高銘淞沈信漢
口試日期:2018-06-09
學位類別:碩士
校院名稱:輔仁大學
系所名稱:金融與國際企業學系金融碩士班
學門:商業及管理學門
學類:財務金融學類
論文出版年:2018
畢業學年度:106
語文別:中文
論文頁數:46
中文關鍵詞:深度學習違約風險網路平台借貸類神經網路隨機森林多元羅吉斯迴歸支援向量機
外文關鍵詞:Deep LearningDefault RiskP2P LendingNeural NetworkRandom ForestMultiple Logistic RegressionSupport Vector Machine
相關次數:
  • 被引用被引用:1
  • 點閱點閱:273
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:85
  • 收藏至我的研究室書目清單書目收藏:0
近年來,金融科技浪潮下,P2P借貸平台應運而生,不同於傳統金融中介機構,P2P借貸平台創造出新的商業價值,為借款人直接向投資人融資,平台僅是扮演撮合與中介的角色,借款人能以較低的利率借到款,投資人也能獲得較多的利差,不僅解決了信貸配給問題,也提供投資人另一種投資管道,但伴隨而來的是資訊不對稱問題,儘管P2P平台致力消除借貸雙方資訊不對稱,但我們仍可由過往數據發現,被評為A級貸款的違約率仍高於傳統銀行貸款,如果違約率居高不下,會導致逆選擇問題,平台上充斥著高違約率的借款人,因此投資人不敢來投資,最終導致P2P平台退出市場。本研究以Lending Club作為研究對象,研究期間為2017年第一季至第四季之資料,使用深度學習方法-類神經網路探討P2P違約風險,建立違約預測模型,並增加隱藏層層數以提升預測力,此外,使用其他三種機器學習方法-隨機森林、多元羅吉斯迴歸、支援向量機建立違約預測模型,與類神經網路比較違約預測力,實驗結果顯示,在整體預測力方面,類神經網路與其他機器學習方法預測力相近,在違約預測力方面,支援向量機的準確性最高,為違約預測之最佳模型。
In recent years, under the wave of financial technology, P2P lending platforms have emerged. Unlike traditional financial intermediaries, P2P lending platforms have created new commercial value and provided borrowers with direct financing to investors. The platform only plays the role of matchmaking and intermediary. The borrower can be found at a lower interest rate, and the investor can also obtain more spreads. This not only solves the problem of credit rationing, but also provides another investment channel for investors, but it is accompanied by information asymmetry. Although the P2P platform strives to eliminate information asymmetry between borrowers and lenders, we can still discover from historical data that the default rate for A-rated loans is still higher than traditional bank loans. If the default rate is high, it will lead to adverse selection problems. The platform fills with high default rate borrowers, so investors do not dare to invest, eventually leading to the P2P platform out of the market.
This study used Lending Club as the research data from the first quarter to the fourth quarter of 2017, we used the deep learning method - neural network to explore the P2P default risk, established a default prediction model, and increased the number of hidden layers to improve predictive power, in addition, using three other machine learning methods—random forest, multivariate logistic regression, and support vector machine—to establish a default prediction model, and to compare default predictive power with neural networks. The experimental results show that in terms of overall predictive power, Neural network and other machine learning methods have similar prediction power. In terms of default prediction power, support vector machine has the highest accuracy and is the best model for default prediction.

第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 研究流程 4
第貳章 文獻探討 5
第一節 深度學習方法相關文獻 5
第二節 P2P平台違約風險因子相關文獻 6
第三節 違約風險因子及模型評估 7
第叁章 研究設計與方法 8
第一節 研究樣本和樣本篩選 8
第二節 變數操作定義 9
第三節 研究方法介紹 16
第肆章 實證結果 19
第一節 實證資料特性 19
第二節 因素分析 27
第三節 深度學習方法 29
第四節 機器學習方法模型比較 35
第五節 違約預測模型綜合比較 42
第伍章 結論與建議 43
第一節 結論 43
第二節 研究限制與建議 44
參考文獻 45
中文部份 45
英文部分 46





1. Hsien(2016)。Lending Club 個案分析–P2P Lending|P2P 借貸–HSIENBLOG ‒新鮮人隨筆。https://hsienblog.com/2016/08/10/lending-club-個案分析/

2. StockFeel 股感知識庫(2017)。LendingClub 商業模式解析美國 P2P 到底怎麼玩?。https://www.stockfeel.com.tw/lendingclub-商業模式解析-美國-p2p-到底怎麼玩?/

3. Liz's Blog(2017)。就是要學R #19:機器學習之類神經網路(Neural Net)實作篇。http://psop-blog.logdown.com/posts/2782995-r-neuralnet-machine-learning

4. skydome20(2016)。R筆記–(8)類神經網路(neuralnet)。http://rpubs.com/skydome20/R-Note8-ANN

5. skydome20(2017)。R筆記–(14)Support Vector Machine/Regression(支持向量機SVM)。http://rpubs.com/skydome20/R-Note14-SVM-SVR

6. Terrence(2016)。類神經網路跟Backpropagation一點筆記。http://terrence.logdown.com/posts/1132631-neural-networks-with-backpropagation-one-notes

7. 維基百科(2018)。線性整流函數。檢自https://zh.wikipedia.org/wiki/%E7%BA%BF%E6%80%A7%E6%95%B4%E6%B5%81%E5%87%BD%E6%95%B0 (Jun. 6, 2018)

8. Yu Jina and Yudan Zhua. (2015). "A data-driven approach to predict default risk of loan for online peer-to-peer(p2p) lending." IEEE 609-613.

9. Riza Emektera, and Yanbin Tub, and Benjamas Jirasakuldechc and Min Lud. (2015). "Evaluating credit risk and loan performance in online peer-to-peer (p2p) lending." Applied Economics 47(1) 54–70. http://dx.doi.org/10.1080/00036846.2014.962222

10. Ajay Byanjankar, and Markku Heikkila and Jozsef Mezei. (2015). "Predicting credit risk in peer-to-peer lending: a neural network approach." IEEE 719-725.

11. Milad Malekipirbazari and Vural Aksakalli. (2015). "Risk assessment in social lending via random forests." ELSEVIER 4621-4631.

12. Justin A. Sirignano, and Apaar Sadhwani and Kay Giesecke. (2016). "Deep learning for mortgage risk." 1-68.

13. Peng Wang, and Haichao Zheng, and Dongyu Chen and Liangchao Ding. (2015). "Exploring the critical factors influencing online lending intentions." Financial Innovation 1-11.

14. Wikipedia. (2018). Sigmoid function. Retrieved from https://en.wikipedia.org/wiki/Sigmoid_function (Jun 6, 2018)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔