一、北京：个人信用怎样评估（论文文献综述）
张儒[1]（2021）在《基于ET-SMOTEENN-DNN模型的网络小贷个人信用风险评估》文中研究表明近几年随着互联网技术快速发展,金融科技逐渐融入人们生活中,极大程度上提升了金融服务的便捷性和效率。相对于传统商业银行贷款而言,网络小贷具备进入门槛低、贷款不需抵押物或质押物,可直接在网络上申请且借款人信息公开透明等特性,受到个人及小微融资企业的喜爱,行业发展扩张速度极快。受限于借款对象的法律意识和信用意识薄弱,少数借款人隐瞒自身真实收益情况,平台不能对每一个借款人都进行实地考察,调查其真实状况,导致贷前筛选较为宽松,贷后跟踪不及时,由此引发网络小贷供给过热的现状,到期后大量客户不能归还本息,网络小贷平台资金亏损严重。这其中有监管过于放松的原因,平台对借款人审核不严格,为了规范金融科技行业秩序,2020年5月9日,中国银保监会发布《商业银行网络小额贷款管理办法》（征求意见稿）,以及2020年11月2日中国银保监会会同中国人民银行等部门颁布了《网络小额贷款业务管理暂行办法（征求意见稿）》,加强对网络小贷行业参与者的约束,特别是征求意见稿为网络小贷指明了供给侧改革之路,明确要求降低资金高杠杆率,限制平台经营范围,调控规模,完善风控体系,这一切旨在防范网络小贷风险。信用风险、流动性风险、操作风险等诸多风险中,信用风险最为被人关注,而防范信用风险的基础是合理评估信用风险。建立科学合理的个人信用评估指标体系及借助金融科技技术构建有效模型管理借款人个人信用风险,这一方面不仅能够减小网络小贷公司的资金损失,促进网络小贷长远发展;另一方面,筛选出真正信用质量高的客户,以更低的成本满足在传统金融机构难以获得资金的小微企业和个人融资需求,有效引导金融资源投向实体经济,为小微企业和个人提供“普且惠”的金融服务,激励网络小贷平台参与共建普惠金融新生态,助力普惠金融“最后一公里”。因此,建立网络小贷个人信用评估系统,为信用风险发生提前预警,这样才能优化金融生态环境,营造良好市场环境,从而促进我国网络小贷行业健康发展。本文基于网络小贷平台2017年1月至2019年12月之间的借款人借贷数据,利用统计学方法和Extra Trees（ET）对处理后的样本数据进行特征筛选,并采用SMOTEENN算法对数据平衡处理,随后建立深度神经网络识别借款人是否会违约。为评估所构建模型的分辨能力,本文采用混淆矩阵、ROC曲线、AUC值、F1-score值等多个性能评估指标。最后,将表现最好的深度神经网络用于数据平衡处理前后,比较发现数据平衡处理后,模型预测效果更优;并将最优深度神经网络、BP神经网络、逻辑回归模型及KNN算法几种算法比较,发现本文构建的混合模型分类性能优于单个模型;除此之外,机器学习算法优于逻辑回归模型效果。可见,本文所建个人信用风险评估模型能更加准确有效识别客户是否会违约。最后,基于本文研究结果,对网络小贷个人风险识别控制提出了几点建议:促进金融市场个人征信体系和个人征信报告的完善,实现信用信息共享;构建风险管理监督预警体系;数据样本采集优化,提高平台对个人信用风险识别能力,筛选优质客户,保证网络小贷业务良性发展。
何浩龙[2]（2021）在《基于XGBoost和LR集成的个人信用评估方法》文中认为互联网平台的借贷创新和个人消费观改变促进国内信贷业务发展,越来越多的信贷产品走进人们的生活中,但是在信贷业务规模扩大同时,如果借贷人不能按时偿还本息,将会给金融机构带来巨大风险,造成经营损失。因此,构建有效的个人信用评估系统,可以应对潜在发生的个人信贷风险,这不论对于金融机构本身还是信用社会而言,都有重要的现实意义,目前常用机器学习方法构解决个人信用风险评估问题。本文建立利用XGBoost和逻辑回归模型建立集成模型。模型首先采用SMOTE方法解决数据集正负样本不均衡问题,生成正负样本均衡的数据集,接着将数据集划分为训练集和测试集,训练XGBoost模型,将XGBoost模型生成提升树叶子结点得到新的特征向量,然后接着将生成的新特征变量与原始特征变量进行融合,输入到逻辑回归模型中训练子分类器,最后输出集成分类的结果。在深入分析当前个人信用评估风险技术的基础上,本文借助互联网Lending Club借贷平台2018到2019年大约100万笔真实客户交易数据集,每位客户信息中有149条特征变量,采用机器学习的思想,对数据集进行数据预处理、特征工程、重要性分析等操作,筛选出15条特征变量进行模型训练,并与随机森林、GBDT、XGBoost等集成学习算法进行对比分析。通过比较以上几种模型在客户违约预测方面的准确率、AUC值等模型评估指标,实验结果表明,在AUC值方面,该集成学习模型的AUC值为0.932,比随机森林高0.049,比GBDT高0.025,比XGBoost高0.022;在准确率方面,该模型的准确率为0.925,比随机森林高0.052,比XGBoost高0.022,综上所述,本文提出的模型可以有效提高预测和评估的分类能力和准确性,为个人信用评估风险问题的研究提供一种新的解决思路。
高杨[3]（2021）在《基于信用风险评价的H供电公司客户关系管理优化研究》文中提出供电行业的营销服务是供电企业为客户提供核心产品和服务,服务质量的好坏与否将会直接影响到整个企业可持续发展,也是影响企业在市场上综合竞争力的一个重要决定性因素。优质的客户往往是一个企业的重要财富收入来源,相对而言,信用差的客户往往是一个企业经营的风险源泉。由于历史原因,现阶段公司和客户通常采取的用电方式都是先用电后缴纳电费,对于一些供电公司来说,采取的是信用销售方式。目前,在内外部环境急剧变化的市场背景下,信用销售的用电模式是持续占领市场的有效手段,但同时也会增加企业的风险,比如坏账带来的财务成本和管理成本。基于这个宏观背景,根据供电企业目前的外部市场环境,并充分结合自身的特点,以广大客户需求为服务中心,构建了客户信用风险评估模型,并在对广大客户信用风险评估模型分析的研究基础上,通过创新了客户关系,创新了服务渠道,提出了相应的策略,既能够满足广大供电企业对于客户优质服务的要求,同时也可以扩大供电企业的市场综合竞争力,提升供电企业的活力和售后服务水平,同时建立完善供电企业服务制度,,适应新能源电改给我国带来的变革,以优质的售后服务和产品赢得了客户,在激烈的市场竞争中有效抢占了售后服务份额,促进了供电企业的健康可持续发展。本篇论文的研究目标是为了根据我国电力供应与用电市场的特点,以H供电公司为主要案例,分析影响客户信用的基础性信息,设计适合用电企业客户信用风险评估的指标和风险评级标准,建立了客户信用风险评估体系和风险评级标准,在此基础上提出了优化H供电公司目前现有的信用风险评价、欠费预测、电费风险决策、风险控制及窃电检测和防范等客户经理管理的对策建议,构建新型的客户关系,提高服务质量和客户经理工作效率。在此基础上提出优化H供电公司现有的信用评价、欠费预测、电费风险决策、风险控制及窃电检测和防范等客户管理的对策建议,构建新型客户关系,提高服务质量和服务效率。
杨坡[4]（2021）在《基于柔性神经树模型的个人信用评估方法研究及应用》文中研究表明随着国内经济的飞速发展和人民消费能力的大幅度提升,越来越多的信用消费产品出现在我们的身边。信贷消费已经成为国内商业银行的重点业务,而且随着互联网的不断发展,更多的互联网信贷消费产品被推向市场。然而商业银行和互联网金融机构对于信贷风险管理存在一定的不足,且国内没有统一的信用评估方法,出现了较多的失信违约行为,给金融机构造成了不小的损失。因此研究并构建完整、有效的个人信用评估模型来解决国内信用评估出现的问题具有重要的实用价值和研究意义。当前各金融机构主要利用借款人历史信用消费记录、资产以及个人基本情况等信息作为信用评估的数据。这些数据有着维度高、噪声大等缺点,会造成客户信息收集时间较长、评价指标过多、审核时间过长等问题。通过分析当前个人信用风险评估的发展现状,分别从个人信用风险评价指标的选择和评估分类模型两个方面进行研究。首先将融合BP的柔性神经树模型应用到个人信用风险评估中,然后构建基于伪逆学习的柔性神经树模型,并将其用于解决个人信用风险评估问题。通过实验结果来看,使用基于伪逆学习的柔性神经树的相关方法可以完成筛选重要评价指标的工作,并提高评价结果的可解释性。此外也提高了银行信用风险评估的分类精度,为后续信用风险评估的发展提供了建议。本文的主要研究内容如下所示:（1）将融合BP的柔性神经树模型应用到个人信用风险评估中。首先利用遗传编程和粒子群优化生成一个柔性神经树,该树结构是由筛选出的重要输入属性构建而成。然后再在所得到的树结构的基础上构建神经网络,并利用BP算法进行参数优化,从而在得到重要指标的同时达到较好的分类效果。通过实验,该模型在分类精度上比支持向量机、逻辑回归、决策树等算法更好。（2）构建了基于伪逆学习的柔性神经树模型,并将该模型应用到个人信用风险评估中。该模型只利用柔性神经树中树结构设计优化部分来得到基于数据集的树结构,我们将树结构深度限定为三层,然后构建神经网络。伪逆学习算法对神经网络进行精确学习。通过实验,该模型可以在相比于融合BP的柔性神经树模型运行时间减少较多的情况下获得相较于支持向量机、逻辑回归、决策树、柔性神经树等分类算法更好的分类效果。（3）实现了以基于融合BP的柔性神经树模型为核心的信用风险评估软件。该软件基于德国信用数据进行建模,利用融合BP的柔性神经树模型对个人信用风险评估数据进行预测,根据业务流程设计软件界面、数据库和系统逻辑并实现其功能,保证了软件的实用性和有效性。
李剑[5]（2021）在《基于联邦学习的个人信用智能评估系统的研究与实现》文中研究说明随着科学技术的不断进步,在大数据和人工智能的推动下,我们进入到了金融科技带来的数字化生活时代。各种新型金融活动已然渗入到了我们的日常生活中。因此充分发挥人工智能的潜力,构建全面有效的个人信用评估系统,是金融科技乃至社会信用体系在新时期持续发展的必然要求。目前已有很多学者对信用评估相关问题展开研究。但现阶段业界的个人信用评估中仍存在一些问题。首先,信用评估数据往往具有高度的商业价值和隐私性,存在严重的数据孤岛现象,使得信用评估模型的大规模协作研究受到限制。此外,根据大量的统计数据,在信用卡欺诈监测等信用评估场景中,其数据中的正常样本数量远远多于欺诈样本数量,即存在数据极度不均衡的情况。针对以上问题和需求,本文对个人信用评估和联邦学习相关技术做了深入的研究和分析,设计并实现了一种基于联邦学习的个人信用智能评估系统,主要工作如下:1)针对信用评估问题中存在的数据不均衡问题,设计与实现了一种联邦混合采样算法,借助联邦学习模型训练的优势,引入高斯混合模型,拟合出更接近于真实分布的少数样本分布。基于此分布来生成少数样本,同时结合基于聚类的多数类降采样来获得样本均衡的训练数据,从而通过提升各局部模型的性能来提高全局模型的效果。2)针对信用评估系统的构建,研究并提出一种基于自动特征工程的信用评估系统构建方法,在一定程度上简化了繁琐的特征工程,提高了信用评估模型的开发效率。3)实现基于联邦学习的个人信用智能评估系统,包括后端客户端模拟模块,算法引擎模块和系统功能模块,以及前端用户进行信用评估的交互界面。与传统数据集中式模型训练不同,引入联邦学习,通过分布式的模型训练,在保护数据隐私安全的同时打破了数据孤岛的限制。
侯雅静[6]（2021）在《基于SAPSO-BP算法对个人信用风险实证分析》文中研究说明随着近年来金融市场中各种衍生产品的快速出现,越来越多的新型交易方式受到了人们的欢迎,这些新方式帮助我国的市场发展保持着蒸蒸日上的形势。现在,越来越多的人乐于贷款并经常选择分期还款,用以购买无法一次性支付的产品。这种新形势虽然给不少人带来了方便,但是对于金融机构来说,借贷为其带来收益的同时也为其带来了较大风险。不少借贷机构,特别是商业银行经常会面临着贷款容易贷出却难以收回的局面。因此,相关机构需要制定出更好管理个人借贷的确切方法,而对个人信用风险的评估预测是其中最为实用的判断指标。通过对个人在银行中已有的不同指标进行研究,得出该个体的个人信用预测结果,评估该个体拥有的是好信用还是坏信用,预测该个体是否可以按时还款,从而机构可以借此判断是否给予该个体借贷以及借贷的数额范围。通过这种预测,可以大幅降低机构的借贷风险,提高金融机构的投资热情,保证交易市场的公平有序。过去有不少国内外学者通过各种算法对个人信用进行了评估预测,如利用Logistic回归、BP算法、KNN算法等算法进行评估。其中,BP算法对个人信用的评估可以得到比较好的结果。但是,BP算法存在着极易于陷入局部最优解的缺点,这会对评估结果产生较大影响。为此,不少人对BP算法进行了改进。BP算法的缺点主要是由于用梯度下降法来更新权值和阈值所造成的。通过阅读文献,本人发现大部分学者都是通过一些办法对BP算法的权值和阈值的调整进行了改进,从而避免梯度下降法对BP算法结果的影响。本文也选择对BP算法权值和阈值的调整方式进行了改进。首先用SA算法对PSO算法改进,得到SAPSO算法也就是模拟退火粒子群算法,然后利用SAPSO算法可以较好取得全局最优解的性能,对BP算法的权值和阈值进行调整,进而完成对BP算法的改进,从而得到SAPSO-BP算法。最终,通过SAPSO-BP算法进行实例分析,完成对个人信用风险的评估预测。在实证分析上,本文首先对实际数据进行特征提取,利用主成分分析、相关性检验以及随机森林算法这三种方法,分别取得影响个人信用风险较大的一些特征,以此减少因特征降维选取不精确或者选取方法不合适而引起的误差。接着分别利用BP算法、PSO-BP算法与SAPSO-BP算法在个人信用风险实例上进行评估,将三者得出的准确率、均方误差与AUC值进行比较分析,最终通过数据比对得出SAPSO-BP算法比BP算法和PSO-BP算法在个人信用评估方面的准确率更高,均方误差更小,AUC值更大的结果,说明SAPSO-BP算法在个人信用风险评估上比起传统的BP算法有着更加良好的效果,这也为个人信用风险的评估拓展了一条新思路。
周蕴[7]（2021）在《H银行南京分行个人信用贷款风险管理研究》文中认为
张国杰[8]（2021）在《我国个人信用信息开放与保护的法律完善》文中指出我国已全面进入信用经济时代,社会信用体系建设不断深化,个人的信用信息已成为信用经济及相关产业的基础。在信用经济时代,个人信用信息的开放与保护存在着天然的张力。信用经济发展的本质是要求个人信用信息的开放,而个人信用信息的保护则要求个人信用信息的封闭。如此看来,个人信用信息的开放和保护仿佛有着不可调和的矛盾,实则是未能构建完善的法律机制在二者间做好平衡。实现个人信用信息开放和保护的平衡至关重要,一味追求对个人信用信息的开放将会诱发对其不当甚至违法使用,而过度强调个人信用信息的保护将阻碍个人信用信息的合理利用,降低个人信用信息的商业价值与功能的发挥。在法治社会里,对于新出现的各种利益,往往需要通过法律来进行平衡,保障各方利益主体行使权利、履行义务。因此,在法律层面实现对个人信用信息的开放与保护的平衡已十分必要。本文从个人信用信息的相关理论入手,归纳学界关于个人信用信息法律属性的观点,认为对个人信用信息的法律属性应分阶段予以讨论,个人信用信息的法律属性应随着个人信用信息成长的阶段不同而有所变化,个人信用信息的法律属性并非静态不变的,相反其应是动态变化的。紧接着总结个人信用信息开放与保护冲突的表现形式,探究冲突背后的深层次原因是法律价值的冲突,进而分析我国现阶段平衡个人信用信息开放与保护的意义。然后再论述现阶段我国个人信用信息立法的现状与规律,探讨立法层面存在的问题。同时对欧盟与美国关于个人信用信息开放与保护平衡的最新立法进行考察,借鉴其先进经验,对我国现阶段在法律层面对个人信用信息开放与保护的冲突进行平衡提出相应的完善建议。以《个人信息保护法》和《社会信用法》的立法为契机,两部法律互为补充,从不同角度进行规范,共同实现对二者的平衡。具体来说,《个人信息保护法》应从规制信息处理者的角度出发,探索建立信息处理者自觉保护个人信用信息的“激励相容”机制,使信息处理者在处理信用的同时,自觉自愿的保护个人信用信息。同时,还要明确信息处理者的义务,保障信息主体的权益。而《社会信用法》则从政府管理角度出发,侧重点在于明确政府的职责定位,即政府要构建适用于信息处理者的“激励和惩戒”机制;引导信用市场的发展,引导信息处理者参与处理政府自身所掌握的个人信用信息,并明确政府对信息主体权益保障的责任。
章建赛[9]（2021）在《基于区块链技术的信用治理研究》文中研究说明区块链被《经济学人》杂志定义为“信任的机器”,是由信息互联网转向价值互联网的关键核心技术,是数字经济时代能够改变生产关系的技术革命。在区块链技术条件下,合作秩序将由中心化到去中心化转变。信用是现代市场经济运作的核心生产关系之一,区块链技术将重塑人类社会的信用治理。本文在理论层面,系统梳理了信任、信用及区块链的学术谱系,拓展演化经济学分析方法,分析了区块链的共识机制及从区块链机器信任投射到人类社会信用治理的原理,应用博弈理论研究了去中心化的理性个体的信用特征,以及有限理性条件下产生信用合作的稳定性。并从个体行为和群体行为两个层面,分析了三类区块链所形成的社会网络的信用演化和变异规律。其中,在个体行为层面,构建微观经济学偏好分析模型,推导了公有链中Token（代币）经济的信用偏好承袭演化、信用合作的场域和市场均衡状态;在群体行为层面,引入病毒感染模型,推演了 DeFi（去中心化金融）在私有链随机网络、联盟链无标度网络环境下的信用变异特征。在应用层面,本文构建了个人信用评价、中小企业信用评价2个改进模型,并应用实践数据进行了实证研究。其中,在个人征信上引入区块链的“币天销毁”技术,构建“币天销毁”信用评价模型,应用机器学习算法进行了实证研究;在中小企业授信方面,将不可篡改的企业主特征信息变量加入传统的信用评价模型,构建区块链增强信息的企业信用评价模型,并采用Logistic回归算法进行实证研究。实证研究验证了基于区块链技术改进的个人和企业信用评价模型,在区分能力、识别能力等方面均优于传统信用评价模型,具有良好的应用前景。面向未来数字世界,区块链分布式账本体系将深化（而不是替代）传统的由中央银行创造、商业银行扩张的中心化的信用创造和治理体系,并从人类社会的信用治理延伸到物理世界的信用治理,深入到“云-管-端-边”的设备系统治理中,通过“+区块链”和“区块链+”实现从万物互联、万物智能到万物账本的“设备民主”和设备自治。区块链技术对信用要素之间的结构关系和运行方式的重构,对信用生成、发展、应用、拓展和监管等治理的变革,尚处于初期阶段,未来必将进一步深化。
盛安琪[10]（2021）在《智能服务交易主体的个人信用评估模型构建与优化》文中认为在金融科技的驱动下,智能服务行业日渐兴盛,并且通过将传统金融与互联网融为一体,以其低成本、低门槛、技术创新程度高等优势,促使大批金融机构和客户参与其中。智能服务行业,虽然发展速度快,却存在诸多难以忽视的问题亟待解决。其中,信用问题频发尤为突出,无论是对于提供还是接受服务的双方都会产生极其不利的影响。为保护双方利益、实现金融平台安全运营以及行业健康发展,建立智能服务交易主体的个人信用评估模型是有其必要性的。本文利用文献分析法的人为筛选和机器算法相结合,选出最优变量子集,包括历史信用记录、累积信用使用情况、当前信用使用情况、个人能力和未来盈利能力（社会资本）五个方面,提高模型评估预测能力。针对信贷数据的特点,在特征指标选择过程中,对样本数据进行了多种预处理步骤。而对于分类数据普遍存在的不平衡问题,本文采用SMOTE算法进行处理。本文选用多种机器学习方法,通过对Bagging类的代表算法——随机森林和MLP,还有Boosting类的代表算法——XGBoost、Light GBM和Catboost共五种算法分别进行实证研究,建立信用预测模型,并把集成学习算法引入到个人信用评估这类二分类问题中,将多个算法模型进行融合,对效果最优的三种单一模型进行投票加权融合,以此来实现算法性能的提升。通过调参等操作进一步优化模型,并引入混淆矩阵和ROC曲线对模型进行评估。实证结果表明:在多次数据验证的情况下,与其他方法相比,本文的XGBoost、Light GBM、随机森林三种方法的评估结果预测精度更高,和单一模型相比,voting集成模型的表现更优,同时还验证了基于人为初筛和算法结合的指标筛选更为有效,从而改善模型的预测性能。本文的个人信用评估模型可作为评估机构进行实际操作的简易版本,以便为智能服务交易主体更准确地评估客户信用情况提供一种新的思路和有益参考,从而提升自己的竞争优势。
二、北京：个人信用怎样评估（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、北京：个人信用怎样评估（论文提纲范文）
（1）基于ET-SMOTEENN-DNN模型的网络小贷个人信用风险评估（论文提纲范文）
| 摘要 |
| ABSTRAC T |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国外文献综述 |
| 1.2.2 国内文献综述 |
| 1.2.3 相关研究评述 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究创新与不足 |
| 1.4.1 研究创新 |
| 1.4.2 研究不足 |
| 第2章 网络小贷个人信用风险理论分析 |
| 2.1 含义界定 |
| 2.1.1 网络小贷 |
| 2.1.2 网络小贷个人信用风险 |
| 2.2 个人信用风险成因 |
| 2.3 影响因素及机理分析 |
| 2.3.1 影响因素 |
| 2.3.2 作用机理 |
| 第3章 相关算法介绍 |
| 3.1 特征选择算法-Extra Trees算法 |
| 3.1.1 决策树算法 |
| 3.1.2 随机森林 |
| 3.1.3 Extra Trees算法 |
| 3.2 不平衡数据集处理算法-SMOTEENN算法 |
| 3.2.1 SMOTE算法 |
| 3.2.2 K近邻算法 |
| 3.2.3 SMOTEENN算法 |
| 3.3 信用风险评估算法—深度神经网络(DNN)算法 |
| 3.3.1 BP神经网络基本概念 |
| 3.3.2 激活函数 |
| 3.3.3 深度神经网络的原理 |
| 3.3.4 深度神经网络的优缺点 |
| 3.4 模型性能评估指标 |
| 3.4.1 混淆矩阵 |
| 3.4.2 召回率、精确度和F1-score |
| 3.4.3 ROC曲线和AUC值 |
| 第4章 网络小贷个人信用风险评估指标体系建立 |
| 4.1 评估指标选取原则 |
| 4.2 相关评估指标体系 |
| 4.2.1 中国建设银行个人信用风险评估体系 |
| 4.2.2 Zest Finance个人信用风险评估体系 |
| 4.2.3 蚂蚁花呗个人信用风险评估体系 |
| 4.3 评估指标预选 |
| 4.4 评估指标可行性研究 |
| 第5章 数据获取和预处理 |
| 5.1 数据来源和基本信息 |
| 5.2 定性评估指标的量化处理 |
| 5.3 样本可视化描述 |
| 5.3.1 性别分布分析 |
| 5.3.2 年龄分析 |
| 5.3.3 客户评级分析 |
| 5.3.4 借款期限分析 |
| 5.4 数据预处理 |
| 5.4.1 数据集分割 |
| 5.4.2 数据集清洗 |
| 5.4.3 特征归一化处理 |
| 5.4.4 特征选择 |
| 5.4.5 不平衡数据处理 |
| 第6章 网络小贷个人信用风险评估模型的建立和分析 |
| 6.1 研究环境配置 |
| 6.2 深度神经网络基本结构的确定 |
| 6.3 模型构建训练和性能评估 |
| 6.4 模型比较 |
| 第7章 研究结论与建议 |
| 7.1 研究结论 |
| 7.2 研究建议 |
| 参考文献 |
| 致谢 |
（2）基于XGBoost和LR集成的个人信用评估方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究思路与创新点 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第二章 个人信用风险中的机器学习方法概述 |
| 2.1 逻辑回归算法 |
| 2.2 决策树 |
| 2.2.1 特征选择 |
| 2.2.2 决策树生成 |
| 2.2.3 决策树剪枝 |
| 2.3 集成学习 |
| 2.3.1 Bagging算法 |
| 2.3.2 Boosting算法 |
| 2.3.3 Stacking算法 |
| 2.4 XGBoost算法 |
| 2.5 模型评估指标 |
| 2.5.1 混淆矩阵 |
| 2.5.2 KS曲线与KS值 |
| 2.5.3 ROC曲线与AUC值 |
| 2.6 本章小结 |
| 第三章 基于XGBoost和 LR集成的个人信用模型 |
| 3.1 不均衡数据分类处理 |
| 3.1.1 随机欠采样方法 |
| 3.1.2 随机过采样方法 |
| 3.2 特征工程 |
| 3.2.1 数据清洗 |
| 3.2.2 XGBoost与 LR融合 |
| 3.3 建立模型 |
| 3.3.1 模型简介 |
| 3.3.2 产生训练子集 |
| 3.3.4 基分类器的集成 |
| 3.3.5 算法模型描述 |
| 3.4 本章小结 |
| 第四章 实验结果及分析 |
| 4.1 数据集准备 |
| 4.1.1 数据来源 |
| 4.1.2 特征描述 |
| 4.1.3 特征分布情况 |
| 4.1.4 标签描述 |
| 4.2 数据预处理 |
| 4.2.1 正负样本不均衡调整 |
| 4.2.2 数据过滤 |
| 4.2.3 缺失值处理 |
| 4.2.4 同值化处理 |
| 4.3 特征工程 |
| 4.3.1 特征衍生 |
| 4.3.2 特征选择 |
| 4.4 模型训练 |
| 4.4.1 数据集划分 |
| 4.4.2 模型参数设置 |
| 4.4.3 模型结果 |
| 4.5 模型对比分析 |
| 4.5.1 模型参数设置 |
| 4.5.2 模型结果 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（3）基于信用风险评价的H供电公司客户关系管理优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景和意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外研究现状 |
| 一、信用风险评价的相关研究 |
| 二、客户关系管理的相关研究 |
| 三、电力企业信用风险评价及客户关系管理的相关研究 |
| 四、文献评述 |
| 第三节 研究内容与研究方法 |
| 一、研究内容 |
| 二、研究方法 |
| 第四节 技术路线与创新点 |
| 一、研究框架 |
| 二、本文创新点 |
| 第二章 相关理论基础 |
| 第一节 信用风险评价理论 |
| 一、因素分析法 |
| 二、模型分析法 |
| 第二节 信用风险评价技术 |
| 一、经验判断期 |
| 二、数学模型期 |
| 第三节 客户关系管理理论 |
| 第四节 信用风险评价方法的选择 |
| 第三章 电力行业信用风险评价及H公司客户管理现状 |
| 第一节 电力行业客户信用风险管理的必要性 |
| 第二节 电力行业客户信用风险评价体系建设 |
| 第三节 H供电公司客户管理现状 |
| 一、信用风险评价结果利用不充分 |
| 二、新技术应用不充分 |
| 三、客户体验不佳 |
| 第四章 H供电公司信用风险评价模型设计 |
| 第一节 评价模型构建的原则 |
| 一、实用性原则 |
| 二、可扩展性原则 |
| 三、整体性原则 |
| 第二节 信用风险评价模型指标的选取 |
| 一、定量指标 |
| 二、定性指标 |
| 第三节 信用风险评价模型构建 |
| 一、模型构建流程 |
| 二、客户信用评价模型 |
| 三、欠费预警评价模型 |
| 第五章 H供电公司客户信用风险评价分析 |
| 第一节 客户信用风险评价分析 |
| 一、信用风险影响因素 |
| 二、信用风险等级 |
| 三、信用风险评价结果 |
| 第二节 欠费预警风险分析 |
| 第六章 H供电公司客户关系管理优化研究 |
| 第一节 信用评级动态差异化管理 |
| 一、基本服务 |
| 二、增值服务 |
| 三、惩罚服务 |
| 第二节 新技术的应用 |
| 一、客户基础信息的采集与加工 |
| 二、客户信用数据的拓展应用 |
| 第三节 客户关系管理的策略优化 |
| 一、精准维护客户关系 |
| 二、提升用电客户的服务感知度 |
| 三、保持与重点客户的良好互动 |
| 第七章 结论与展望 |
| 第一节 研究结论 |
| 第二节 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（4）基于柔性神经树模型的个人信用评估方法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 专家评分方法 |
| 1.2.2 统计学方法 |
| 1.2.3 人工智能方法 |
| 1.2.4 组合方法 |
| 1.3 个人信用风险评估方法 |
| 1.3.1 支持向量机方法 |
| 1.3.2 决策树方法 |
| 1.3.3 逻辑回归方法 |
| 1.3.4 神经网络 |
| 1.4 完成工作及贡献 |
| 1.5 本文组织结构 |
| 第二章 柔性神经树模型 |
| 2.1 引言 |
| 2.2 柔性神经树 |
| 2.2.1 柔性神经树结构 |
| 2.2.2 树结构设计与优化 |
| 2.2.3 柔性神经树结构中参数优化 |
| 2.3 本章小结 |
| 第三章 融合BP的柔性神经树在个人信用评估中的应用 |
| 3.1 引言 |
| 3.2 误差反向传播算法 |
| 3.3 融合BP的柔性神经树模型 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据 |
| 3.4.2 德国信用数据集上的实验结果 |
| 3.4.3 中国台湾客户信用卡还款数据集上的实验结果 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于伪逆学习的柔性神经树在个人信用评估中的应用 |
| 4.1 引言 |
| 4.2 伪逆学习算法 |
| 4.3 基于伪逆学习的柔性神经树模型 |
| 4.4 实验过程及结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 德国信用数据集上的实验结果 |
| 4.4.3 中国台湾客户信用卡还款数据集上的实验结果 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于融合BP的柔性神经树模型的信用评估软件 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.3 功能模块设计 |
| 5.3.1 用户子系统设计 |
| 5.3.2 工作人员子系统设计 |
| 5.3.3 信用评估模块设计 |
| 5.4 软件框架设计 |
| 5.5 数据库设计 |
| 5.6 软件运行 |
| 5.6.1 用户登录界面 |
| 5.6.2 申请者子系统界面 |
| 5.6.3 信用评估部门管理界面 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于联邦学习的个人信用智能评估系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 国内外研究现状 |
| 1.2.1 个人信用评估国内外研究现状 |
| 1.2.2 联邦学习国内外研究现状 |
| 1.2.3 数据不均衡问题国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 关键技术 |
| 2.1 个人信用评估方法 |
| 2.1.1 信用评分卡 |
| 2.1.2 信用风险预警 |
| 2.2 联邦学习 |
| 2.2.1 联邦学习概述 |
| 2.2.2 联邦学习分类 |
| 2.2.3 联邦学习的关键问题与挑战 |
| 2.3 本章小结 |
| 第三章 基于联邦学习的混合采样算法 |
| 3.1 研究挑战与目标 |
| 3.2 整体研究方案 |
| 3.3 主要研究内容 |
| 3.3.1 基于模型梯度的数据不均衡监测器 |
| 3.3.2 基于混合采样的数据均衡方法 |
| 3.4 实验与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验设置 |
| 3.4.3 实验分析 |
| 3.5 本章小结 |
| 第四章 基于自动特征工程的信用评估系统构建方法 |
| 4.1 研究挑战与目标 |
| 4.2 整体解决方案 |
| 4.3 主要研究内容 |
| 4.3.1 自动化特征工程库 |
| 4.3.2 信用评估系统构建方法 |
| 4.4 本章小结 |
| 第五章 基于联邦学习的个人信用智能评估系统 |
| 5.1 需求分析 |
| 5.1.1 业务需求 |
| 5.1.2 功能需求 |
| 5.2 系统设计与实现 |
| 5.2.1 关键技术 |
| 5.2.2 系统整体框架和功能模块设计与实现 |
| 5.2.3 数据库设计 |
| 5.3 系统演示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.1.1 研究背景与已完成研究内容 |
| 6.1.2 取得的研究成果 |
| 6.1.3 主要创新点 |
| 6.2 研究展望 |
| 6.2.1 存在问题 |
| 6.2.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）基于SAPSO-BP算法对个人信用风险实证分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.2.1 个人信用评估的研究情况 |
| 1.2.2 神经网络改进的有关文献概述 |
| 1.3 本文结构和基本内容 |
| 第2章 相关算法的基本介绍 |
| 2.1 BP算法 |
| 2.1.1 BP神经网络 |
| 2.1.2 BP算法 |
| 2.1.3 步骤流程图 |
| 2.2 粒子群算法 |
| 2.2.1 基本思想 |
| 2.2.2 具体算法 |
| 2.2.3 参数取值范围 |
| 2.3 模拟退火算法 |
| 2.3.1 基本思想 |
| 2.3.2 具体步骤 |
| 第3章 构建SAPSO-BP算法 |
| 3.1 PSO-BP算法 |
| 3.2 SAPSO-BP算法 |
| 3.2.1 利用SA算法改进PSO算法 |
| 3.2.2 构建SAPSO-BP算法 |
| 第4章 个人信用风险评估实证分析 |
| 4.1 数据准备 |
| 4.2 特征提取 |
| 4.2.1 主成分分析 |
| 4.2.2 相关性检验 |
| 4.2.3 随机森林算法 |
| 4.3 算法实例验证 |
| 4.3.1 ROC曲线 |
| 4.3.2 主成分分析实验结果 |
| 4.3.3 相关性检验实验结果 |
| 4.3.4 随机森林算法的实验结果 |
| 4.4 结果汇总 |
| 第5章 不足与展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（8）我国个人信用信息开放与保护的法律完善（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国内文献综述 |
| 1.2.2 国外文献综述 |
| 1.2.3 国内外研究述评 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要工作和创新 |
| 1.5 论文的基本结构 |
| 第2章 个人信用信息的基本理论 |
| 2.1 个人信用信息的法理基础 |
| 2.1.1 个人信用信息的法理论争 |
| 2.1.2 个人信用信息关联概念辨析 |
| 2.1.3 个人信用信息的法律属性 |
| 2.2 个人信用信息开放与保护的法理基础 |
| 2.2.1 个人信用信息的开放:博弈论、信息不对称论 |
| 2.2.2 个人信用信息的保护:隐私权、所有权、人格权 |
| 2.3 个人信用信息开放与保护的“平衡” |
| 2.3.1 个人信用信息开放与保护的辩证分析 |
| 2.3.2 个人信用信息开放与保护的冲突表现及实质 |
| 2.3.3 平衡个人信用信息开放与保护的意义 |
| 2.4 小结 |
| 第3章 我国个人信用信息开放与保护的立法现状及困境 |
| 3.1 我国个人信用信息开放与保护的立法演进 |
| 3.1.1 个人信用信息开放与保护平衡的探索 |
| 3.1.2 个人信用信息开放与保护平衡的深化 |
| 3.1.3 个人信用信息开放与保护平衡的重视 |
| 3.2 我国个人信用信息开放与保护的立法现状 |
| 3.2.1 从部门规章到行政法规:个人信用信息开放与保护平衡的初步探索 |
| 3.2.2 从政府规章到地方性法规:个人信用信息开放与保护平衡的具体深化 |
| 3.2.3 从基本法到单行法:个人信用信息开放与保护平衡的高度重视 |
| 3.3 我国个人信用信息开放与保护的法治困境 |
| 3.3.1 《个人信用信息基础数据库暂行管理办法》的缺陷:部分重要权利保护不足 |
| 3.3.2 《征信业管理条例》的缺陷:部分重要程序不明确 |
| 3.3.3 地方性法规及政府规章的不足:位阶过低、作用有限 |
| 3.3.4 《民法典》的制度局限:难以构建具体的制度 |
| 3.3.5 《个人信息保护法(草案)》的制度局限:以“告知同意”为唯一合法依据 |
| 3.4 小结 |
| 第4章 平衡个人信用信息开放与保护的域外立法经验 |
| 4.1 欧盟平衡个人信用信息开放与保护的立法经验 |
| 4.1.1 通过主体权利保障与责任构建实现平衡 |
| 4.1.2 欧盟立法平衡个人信用信息开放与保护的启示 |
| 4.2 美国立法对个人信用信息的开放与保护的冲突平衡 |
| 4.2.1 通过行为规范与责任构建实现平衡 |
| 4.2.2 美国立法平衡个人信用信息开放与保护的启示 |
| 4.3 小结 |
| 第五章 个人信用信息开放与保护的法律完善 |
| 5.1 平衡个人信用信息开放与保护的重点制度安排 |
| 5.1.1 “激励相容”制度 |
| 5.1.2 信息主体权益的保护 |
| 5.1.3 信息处理者义务的设定 |
| 5.2 以规制信息处理者为重点的《个人信息保护法》 |
| 5.2.1 构建“激励相容”的制度 |
| 5.2.2 保障信息主体的权益 |
| 5.2.3 强化信息处理者的义务 |
| 5.3 以政府管理为重点的《社会信用法》 |
| 5.3.1 对信息处理者的“激励与惩戒” |
| 5.3.2 对信用市场发展的引导 |
| 5.3.3 强化政府责任,保障主体权益 |
| 5.4 小结 |
| 结论与展望 |
| 1、结论 |
| 2、展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和其它科研情况 |
（9）基于区块链技术的信用治理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 论文的主要研究内容与研究思路 |
| 1.2.1 论文的主要研究内容 |
| 1.2.2 论文的主要研究思路 |
| 1.3 论文的主要研究方法 |
| 1.4 论文的主要创新点 |
| 1.5 本章小结 |
| 第二章 文献综述与基本理论 |
| 2.1 信用基本理论研究 |
| 2.1.1 关于信用基础之信任的相关研究 |
| 2.1.2 关于信用的特征及与其它相关概念的辨析 |
| 2.2 信用治理的相关研究 |
| 2.2.1 信用治理的理论分析 |
| 2.2.2 信用治理的应用分析 |
| 2.3 区块链技术的研究 |
| 2.3.1 比特币与区块链的研究 |
| 2.3.2 区块链核心技术的研究 |
| 2.3.3 区块链技术应用的研究 |
| 2.4 区块链技术与信用治理结合的研究 |
| 2.4.1 区块链与信任体系 |
| 2.4.2 区块链与信用治理 |
| 2.5 本章小结 |
| 第三章 区块链技术条件下的信用治理原理 |
| 3.1 区块链技术架构与共识机制 |
| 3.1.1 区块链技术架构 |
| 3.1.2 区块链的类型及特点 |
| 3.1.3 区块链共识机制 |
| 3.2 从机器信任到社会信用 |
| 3.3 完全理性博弈下的区块链信用治理 |
| 3.3.1 个体理性、重复博弈与区块链信用合作的产生 |
| 3.3.2 集体理性、合作博弈与区块链信用合作的有效性 |
| 3.4 有限理性博弈下的区块链信用合作及稳定性 |
| 3.5 本章小结 |
| 第四章 基于区块链技术的个体信用治理分析 |
| 4.1 DAO、公有链与代币(Token) |
| 4.2 Token(代币)经济与金融监管 |
| 4.3 个体行为视角的公有链社会网络信用治理分析 |
| 4.3.1 预期效用建模 |
| 4.3.2 信用偏好的承袭分析 |
| 4.3.3 信用偏好的均衡调整 |
| 4.3.4 信用合作的场域 |
| 4.3.5 极端状况下的均衡 |
| 4.4 政策建议 |
| 4.5 本章小结 |
| 第五章 基于区块链技术的群体信用治理分析 |
| 5.1 DeFi与普惠金融 |
| 5.2 DeFi的信用特征 |
| 5.3 DeFi普惠金融的群体信用建模 |
| 5.4 基于私有链的群体信用治理分析 |
| 5.4.1 私有链与随机网络 |
| 5.4.2 随机网络的群体信用治理 |
| 5.5 基于联盟链的群体信用治理分析 |
| 5.5.1 联盟链与无标度网络 |
| 5.5.2 无标度网络的群体信用治理 |
| 5.6 政策建议 |
| 5.7 本章小结 |
| 第六章 基于区块链技术优化个人信用评价的实证研究 |
| 6.1 “币天销毁”与“币天销毁”信用评价模型 |
| 6.2 “币天销毁”信用评价模型的构建与指标选择 |
| 6.2.1 “币天销毁”信用评价模型的指标选取 |
| 6.2.2 “币天销毁”信用评价模型指标的时序拆解与重组 |
| 6.2.3 “币天销毁”信用评价模型指标数据的引入与生成 |
| 6.3 “币天销毁”信用评价模型的初始权重设计 |
| 6.3.1 对于筛选指标的逻辑回归模型设计 |
| 6.3.2 模型的初始权重设计 |
| 6.4 “币天销毁”信用评价模型的测试评价 |
| 6.5 “币天销毁”信用评价模型的训练 |
| 6.5.1 模型训练方法的选择 |
| 6.5.2 模型训练方法的机理 |
| 6.5.3 模型训练的流程 |
| 6.5.4 模型训练相关程序 |
| 6.6 “币天销毁”信用评价模型的训练结果 |
| 6.6.1 模型的最终参数结果 |
| 6.6.2 模型最终的权重结果 |
| 6.7 “币天销毁”信用评价模型与传统信用评价模型的结果比较 |
| 6.7.1 传统信用评价模型的构建过程 |
| 6.7.2 两种模型的结果比较 |
| 6.8 本章小结 |
| 第七章 基于区块链技术改善中小企业授信的实证研究 |
| 7.1 中小企业信用评价和融资授信的相关研究 |
| 7.2 区块链技术改善中小企业融资授信的路径 |
| 7.2.1 区块链技术赋能中小企业融资授信 |
| 7.2.2 基于区块链技术的企业融资授信的平台架构和数据原型 |
| 7.3 区块链技术改善中小企业融资授信:实证模型的构建 |
| 7.4 基于区块链增强信息的企业信用模型的测试与分析 |
| 7.4.1 数据标准与准备 |
| 7.4.2 特征变量选取 |
| 7.4.3 测试结果与分析 |
| 7.5 基于区块链技术的模型与传统模型的结果比较 |
| 7.6 本章小结 |
| 第八章 区块链技术在公共管理领域的信用治理应用研究 |
| 8.1 区块链技术对国家信用治理带来的影响分析 |
| 8.1.1 区块链技术对国家信用创造和监管带来冲击 |
| 8.1.2 区块链技术对商业银行信用管理带来变革与颠覆 |
| 8.2 数字法币的技术路径选择,及对信用创造的影响 |
| 8.2.1 数字法币的技术路径选择与分叉 |
| 8.2.2 数字法币对信用创造的影响分析 |
| 8.2.3 数字法币对货币乘数的影响: 一个概要测算 |
| 8.3 利用区块链技术深化我国的社会征信管理 |
| 8.3.1 面向全社会各行业的征信系统面临的技术挑战 |
| 8.3.2 区块链技术应用于征信系统的可行性分析 |
| 8.3.3 区块链技术在征信系统中的应用研究 |
| 8.4 本章小结 |
| 第九章 基于区块链技术的物理世界信用治理应用研究 |
| 9.1 从万物互联、万物智能到万物账本,信用治理拓展原理 |
| 9.1.1 万物互联: 生产工具的升级 |
| 9.1.2 万物智能: 生产资料的升级 |
| 9.1.3 万物账本: 生产关系的升级 |
| 9.2 从“+区块链”到“区块链+,区块链信用治理拓展的路径 |
| 9.2.1 “+区块链”: 从信息互联网到价值互联网 |
| 9.2.2 “区块链+”: 商业逻辑、组织范式的颠覆性解构与重组 |
| 9.3 云-管-端-边“设备民主”,区块链信用治理应用拓展的实现 |
| 9.3.1 信息技术架构与信息服务架构 |
| 9.3.2 基于区块链技术实现云-管-端-边的“设备民主” |
| 9.4 本章小结 |
| 第十章 结论与展望 |
| 10.1 本文研究的主要结论 |
| 10.2 研究局限及展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）智能服务交易主体的个人信用评估模型构建与优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容、方法和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 1.5 本文的主要贡献 |
| 第2章 文献综述与相关理论 |
| 2.1 文献综述 |
| 2.1.1 信用评估的相关研究 |
| 2.1.2 集成学习的相关研究 |
| 2.1.3 文献述评 |
| 2.2 相关理论 |
| 2.2.1 信用风险及评估的定义 |
| 2.2.2 个人信用风险的成因 |
| 2.2.3 个人信用风险的评估方法 |
| 第3章 研究设计 |
| 3.1 指标体系构建 |
| 3.2 算法的选择 |
| 3.2.1 XGBoost理论 |
| 3.2.2 LightGBM理论 |
| 3.2.3 随机森林理论 |
| 3.2.4 Catboost理论 |
| 3.2.5 MLP理论 |
| 3.2.6 集成融合模型理论 |
| 3.3 模型评估方式及指标 |
| 3.3.1 混淆矩阵 |
| 3.3.2 ROC曲线和AUC面积 |
| 第4章 实证研究 |
| 4.1 数据来源及预处理 |
| 4.1.1 数据来源 |
| 4.1.2 数据预处理 |
| 4.2 实证研究模型 |
| 4.2.1 实证模型的处理 |
| 4.2.2 参数调优 |
| 4.3 模型对比 |
| 4.3.1 与其他信用评估模型的对比 |
| 4.3.2 与静态指标的信用评估模型的对比 |
| 4.3.3 模型对比分析 |
| 4.4 模型融合 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、北京：个人信用怎样评估（论文参考文献）
- [1]基于ET-SMOTEENN-DNN模型的网络小贷个人信用风险评估[D]. 张儒. 重庆工商大学, 2021(09)
- [2]基于XGBoost和LR集成的个人信用评估方法[D]. 何浩龙. 汕头大学, 2021(02)
- [3]基于信用风险评价的H供电公司客户关系管理优化研究[D]. 高杨. 云南师范大学, 2021(08)
- [4]基于柔性神经树模型的个人信用评估方法研究及应用[D]. 杨坡. 济南大学, 2021
- [5]基于联邦学习的个人信用智能评估系统的研究与实现[D]. 李剑. 北京邮电大学, 2021(01)
- [6]基于SAPSO-BP算法对个人信用风险实证分析[D]. 侯雅静. 山东大学, 2021(02)
- [7]H银行南京分行个人信用贷款风险管理研究[D]. 周蕴. 南京师范大学, 2021
- [8]我国个人信用信息开放与保护的法律完善[D]. 张国杰. 山西财经大学, 2021(09)
- [9]基于区块链技术的信用治理研究[D]. 章建赛. 北京邮电大学, 2021(01)
- [10]智能服务交易主体的个人信用评估模型构建与优化[D]. 盛安琪. 上海师范大学, 2021(07)
标签：个人信用论文; 个人信用信息基础数据库论文; 信用评分模型论文; 区块链论文; 个人信用贷款论文;