(34.239.150.57) 您好!臺灣時間:2021/04/18 21:54
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
: 
twitterline
研究生:游茜婷
研究生(外文):YU, CHIEN-TING
論文名稱:以機器學習方式探討P2P借款人之信用評等 - 以 Lending Club 為例
論文名稱(外文):A Study on P2P Borrowers’ Credit Rating by Machine Learning - The Case of Lending Club
指導教授:高銘淞高銘淞引用關係
指導教授(外文):KAO, MING-SUNG
口試委員:楊雅薇沈信漢
口試委員(外文):YANG, YA-WEISHEN, HSIN-HAN
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
論文種類:學術論文
論文出版年:2018
畢業學年度:106
語文別:中文
論文頁數:83
中文關鍵詞:P2P網路借貸平台P2PPeer-to-peerLending Club信用評等貸款利率多項式邏輯斯迴歸區別分析隨機森林
外文關鍵詞:Peer-to-Peer LendingP2PPeer-to-peerLending Clubcredit ratinginterest rateMultinomial Logistic RegressionDiscriminate AnalysisRandom Forests
相關次數:
  • 被引用被引用:3
  • 點閱點閱:168
  • 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:0
  • 收藏至我的研究室書目清單書目收藏:0
本研究以美國最大P2P平台 - Lending Club為例,對借款人信用評等之訂定進行預測,藉由機器學習方式找尋平台判定評等的重要變數,以多項式邏輯斯迴歸模型(Multinomial Logistic Regression Model)、區別分析(Discriminate Analysis)與隨機森林(Random Forests)三種方法分別建立信用評等之分類模型。研究結果顯示,各模型中對信用評等影響力較大的主要變數為借款金額、每月支付款、信用動用比率、信用使用額度,且預測準確性會隨著信用評等級別區分愈細而下降。在模型效能比較部份,三種研究方法中,以隨機森林有最佳的分類表現,其準確率為43.98%。
This study focus on predicting the credit rating of loan applicants by analyzing the case with machine learning methods, including “Multinomial Logistic Regression Model”,” Discriminate analysis” and “Random Forests”. This study uses the P2P lending platform – Lending Club as the research data to establish the classification model of credit rating.
Results indicate that loan amount, monthly payment, credit utilization ratio and credit usage amount are important variables regarding an applicant’s credit rating. In addition, the accuracy of prediction diminishes with further differentiation levels of credit ratings.The study also suggests that in terms of model performance, the Random Forests method has the best result among the others, with the accuracy of 43.98%.

摘要 I
Abstract II
致謝 III
目錄 IV
表目錄 VII
圖目錄 IX
附錄索引 X
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 2
第三節 研究架構與流程 4
第二章 文獻探討 5
第一節 傳統金融機構授信評估原則 5
一、 中華民國銀行公會會員授信準則 5
二、 五C原則 5
三、 五P理論 6
第二節 P2P平台貸款利率之訂定 7
一、 由P2P平台訂定 7
二、 由借貸雙方訂定 7
第三節 P2P平台貸款利率與信用評等 8
第三章 研究設計與方法 18
第一節 樣本選取與收集 18
一、 研究對象與範圍 18
二、 樣本收集 18
第二節 因素分析 34
第三節 研究方法 38
一、 多項式邏輯斯迴歸模型 38
二、 區別分析 39
三、 隨機森林 41
第四章 研究結果 42
第一節 研究模型建構-多項式邏輯斯迴歸模型 42
一、 以七等級類別(Y1)作為因變數 42
二、 以四等級類別(Y2)作為因變數 44
第二節 研究模型建構-區別分析 46
一、 以七等級類別(Y1)作為因變數 46
二、 以四等級類別(Y2)作為因變數 49
第三節 研究模型建構-隨機森林 51
一、 以七等級類別(Y1)作為因變數 51
二、 以四等級類別(Y2)作為因變數 53
第四節 重要變數彙整 55
第五章 結論與建議 57
第一節 結論 57
第二節 未來研究建議 59
附錄 60
參考文獻 80

中文文獻
[1]王會娟、廖理,「中國 P2P 網路借貸平臺信用認證機制研究—來自 “人人貸”的經驗證據」,中國工業經濟,(4),2014年,頁136-147。
[2]江淑娟,「信用評等因素與信用卡違約風險之關係---以台灣A金融機構所發行之信用卡為例」,逢甲大學保險所碩士論文,2003年。
[3]吳佳純,「個人消費性貸款授信風險因數之研究:「貸款類別」及「職業類別」差異之整合性觀點」,輔仁大學金融碩士在職專班碩士論文,2016年。
[4]李金陽、朱鈞,「影響 P2P 網路借貸市場借貸利率的因素分析」,廣東商學院學報,(130),2013年,頁34-40。
[5]沈偉雄,「國內外 P2P 小額信貸利率定價模式比較研究」,南方金融,(4),2015年,頁85-89。
[6]周俊宏,「運用支撐向量機與類神經網路於信用卡授信決策之研究」,台灣科技大學資訊管理研究所碩士論文,2006年。
[7]林建甫,「全球信用報告體制之分析- 針對美國、德國、日本、中國大陸之信用體制」,金融聯合徵信,(24),2014年,頁2-28。
[8]洪琳美,「運用支撐向量機與類神經網 路於銀行授信之研究」,國立台灣科技大學資訊管理系碩士論文,2005年。
[9]姜培、宋良榮,「利率市場化背景下 P2P 網貸利率決定機制—基於“拍拍貸”經驗資料的實證分析」,財務與金融,(159),2016年,頁7-11。
[10]苑言方,「P2P 網貸平臺借款利率影響因素實證研究」,黑龍江工業學院學報: 綜合版,17(7),2017年,頁91-95。
[11]殷祥穗,「信用卡違約因素之研究-Logit與ProbitModel之應用」,國立臺灣大學經濟學研究所碩士論文,2007年。
[12]馬源源、毛靖文,「P2P 信貸利率影響因素研究—以 Lending Club 平臺為例」,投資研究,(5),2016年,頁150-159。
[13]張素燕,「消費者信用貸款授信評量模式之研究」,中興大學應用經濟學系所學位論文,2009年。
[14]梁德馨、葉建良,「消費者信用貸款違約風險評估模型之研究-以 CART 分類與迴歸樹建模」,中山管理評論,16(3),2008年,頁465-506。
[15]陳鴻文,「個人小額信用貸款授信模式之個案研究」,高雄第一科技大學財務管理所碩士論文,2002年。
[16]陳凌瑤,「個人消費金融信用風險之評估-以某銀行信用卡為例」,中國文化大學會計研究所碩士論文,2004年。
[17]黃隆憲,「消費者小額信用貸款授信模式之研究」,高雄第一科技大學財務管理研究所碩士論文,2006年。
[18]葉彩蓮、陳怡安,「考量風險變數之銀行小額信用貸款評分模型」,臺灣銀行季刊,62(2),2011年,頁68-83。
[19]葉宣萱,「影響銀行授信戶協商違約成敗因素之探討─以消金無擔保客戶為例」,中原大學企業管理研究所碩士論文,2010年。
[20]雍凱,「隨機森林的特徵選擇和模型優化演算法研究」,哈爾濱工業大學工學碩士論文,2008年。
[21]裴平、蔡越,「群組制度對 P2P 網貸平臺借款成功率和借款利率的影響-基於 Prosper. com 樣本資料的實證檢驗」,經濟理論與經濟管理,(10),2016年,頁5-15。
[22]劉長寬,「應用Logit模型於消費者擔保貸款違約行為之實證研究」,朝陽科技大學財務金融系碩士班碩士論文,2003年。
[23]蔣彧、周安琪,「P2P 網路借貸中存在地域歧視嗎?-來自“人人貸”的經驗資料」,中央財經大學學報,(9),2016年,頁29-39。
[24]鄭志強,「P2P網貸個人信用評分模型的研究」,暨南大學碩士論文,2016年。
[25]鄭迎飛、陳曉靜、辛苑,「中國 P2P 網貸利率決定-基於跨平臺橫截面資料的實證研究」,當代財經,(4),2017年,頁47-56。
[26]賴明暘,「商業銀行個人消費性貸款違約因素之探討」,國立高雄應用科技大學金融資訊研究所碩士論文,2011年。

中文書籍
[1]吳明隆,「SPSS操作與應用:多變量分析實務」,台北市:五南,2008。
[2]周文賢,「多變量統計分析:SAS/STAT使用方法」,智勝,2002。
[3]張良均、謝佳標、楊坦、肖剛,「R語言與數據挖掘」,大陸:機械工業,2016。
[4]黃文、王正林,「利用R語言打通大數據經脈」,佳魁,2015。
[5]賈俊平,「統計學:基於R的應用」,台北市:五南,2017。
[6]劉應興,「類別資料分析導論」,台北市:華泰,2003。

英文文獻
[1]Abdou, Hussein A., and John Pointon. "Credit scoring, statistical techniques and evaluation criteria: a review of the literature." Intelligent Systems in Accounting, Finance and Management,18(2-3), 2011, pp.59-88.
[2]Andreas Dietrich, and Reto Wernli. "What drives the interest rates in the p2p consumer lending market? empirical evidence from switzerland.", 2016.
[3]Calebe de Roure, Loriana Pelizzon, and Paolo Tasca. "How does P2P lending fit into the consumer credit market?", 2016.
[4]Devin G.Pope, and Justin R. Sydnor. "What’s in a Picture? Evidence of Discrimination from Prosper. com." Journal of Human resources, 46(1), 2011, pp.53-92.
[5]Enrichetta Ravina. "Love & loans: The effect of beauty and personal characteristics in credit markets.", 2012.
[6]Lee, Tian-Shyug, and I-Fei Chen. "A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines." Expert Systems with Applications, 28(4), 2005, pp.743-752.
[7]Lei Yang, and Vincent Siu-king Lai. "Performance as a signal to Information Asymmetry Problem in Online Peer-to-Peer Lending." PACIS, 2014.
[8]Milad Malekipirbazari, and Vural Aksakalli. "Risk assessment in social lending via random forests." Expert Systems with Applications, 42(10), 2015, pp.4621-4631.
[9]Nilas Möllenkamp. “Determinants of Loan Performance in P2P Lending.” BS thesis. University of Twente, 2017.
[10]Odom, Marcus D., and Ramesh Sharda. "A neural network model for bankruptcy prediction." Neural Networks, 1990., 1990 IJCNN International Joint Conference on. IEEE, 1990.
[11]Seth Freedman, and Ginger Zhe Jin. "Do social networks solve information problems for peer-to-peer lending? evidence from prosper. com.", 2008.
[12]Šušteršič, Maja, Dušan Mramor, and Jure Zupan. "Consumer credit scoring models with limited data." Expert Systems with Applications, 36(3), 2009, pp.4736-4744.
[13]Xiao Chen, Bihong Huang, and Dezhu Ye. "The role of punctuation in P2P lending: Evidence from China." Economic Modelling, 68, 2018, pp.634-643.
[14]Yang, Yang. “Analysis and assessment of credit rating model in P2P lending: an instrument to solve information asymmetry between lenders and borrowers.” Diss. Massachusetts Institute of Technology, 2015.
[15]Yu Jin, and Yudan Zhu. "A data-driven approach to predict default risk of loan for online Peer-to-Peer (P2P) lending." Communication Systems and Network Technologies (CSNT), 2015 Fifth International Conference on. IEEE, 2015.
[16]Yuejin Zhang, et al. "Research on credit scoring by fusing social media information in online peer-to-peer lending." Procedia Computer Science, 91, 2016, pp.168-174.
[17]Yufei Xia, et al. "A novel heterogeneous ensemble credit scoring model based on bstacking approach." Expert Systems with Applications, 93, 2018, pp.182-199.

網頁
LENDING CLUB 檢自https://www.lendingclub.com/company/about-us
R的世界- Use R for Statistics。檢自https://sites.google.com/site/rlearningsite/
JerryLead 。線性判別分析。檢自http://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html
吳漢銘-國立台北大學統計學系。檢自http://www.hmwu.idv.tw/index.php

電子全文 電子全文(網際網路公開日期:20230630)
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