LGB-BAG在P2P网贷借款者信用风险评估中的应用

立足于P2P平台,利用P2P平台个人借款人的信息建立了一套系统的信用风险评估指标体系来甄别可能违约的借款人。基于LightGBM(一种基于决策树的Boosting模型)和Bagging提出一种新的LGB-BAG模型,有效结合了Boosting和Bagging的优势。结果表明,在决策树的个数增大到一定程度的时候,LGB-BAG的F1均值(预测效果)要高于LightGBM和随机森林;并且LGB-BAG的F1方差也要小于其余两种模型。LGB-BAG的F1均值最高可达到0.71175,且LGB-BAG模型能够显著提高信用风险预测效率。

Lasso-Cox模型在个人信用风险评估中的应用

借鉴Lasso模型和Cox模型的优点创建Lasso-Cox模型,用以评估个人借款者的信用风险,并利用个人借款者的数据进行实证分析,比较不同模型的预测精度。结果表明:(1)单一Cox模型的预测准确度高于Logistic回归模型,而Lasso-Cox模型的预测精度达95.76%,远高于单一Cox模型。(2)考虑宏观环境对个人经济的影响,发现将宏观变量纳入模型后预测精度有明显的提升,其中Lasso-Cox模型预测精度高达98.88%。

基于Lasso-Logistic模型的个人信用风险评估——来自微贷网的数据分析

利用个人借款者的信息,通过理论分析个人借款者信用风险的影响因素,选取包括羊群效应、性别、年龄等指标建立个人借款者的信用风险评估指标体系,通过Lasso-Logistic模型预测借款人的违约概率。实证结果显示Lasso-Logistic模型预测准确性比Logistic回归的高,且羊群效应是一个重要的影响因素,在很大程度上提高了模型预测精度,降低投资者的风险。