P2P网贷平台风险监管研究

随着近年来全球范围内与互联网有关的借贷业务和模式的迅速发展,互联网金融市场也随之不断扩张。为解决网络交易平台因金融和互联网创新产生的一系列潜在的风险问题和技术问题,本文通过P2P网贷平台运行体系运行的全过程分析,研究其运行体系中不同主体、不同环节中产生的风险机制,并分析风险产生的制度基础。在此基础上,进一步分析发达国家特定信贷平台的风险生成机制以及监管制度,并与我国的现实情况进行对比和分析。最后,在P2P网贷平台风险生成有关机制、原理和理论研究的基础之上,针对我国有关P2P网络信贷监管中存在的一系列相关问题,为我国监管制度和监管政策提供相关意见建议。     

我国P2P网贷平台金融犯罪:特征、成因及防治

P2P网络借贷对于盘活民间资金资源具有重要的意义,是我国金融体系的重要补充。然而P2P网络借贷在我国发生了严重的"异化"现象,成为金融犯罪的高发地带。我国P2P网贷平台金融犯罪的类型主要包括非法集资及平台跑路,具有隐蔽性、危害范围广、投资者维权困难、存在三个辨识点的特征。监管漏洞是我国P2P网贷平台金融犯罪泛滥的重要成因,应从P2P网贷行业立法、明确P2P网贷行业监管部门并增强各个部门监管的协同性、构建P2P网贷企业运营大数据监管系统、严厉打击P2P网贷企业金融犯罪的行为四个方面来治理P2P网贷行业的金融犯罪问题,促进行业的健康发展。     

P2P网贷,如何从疯狂到理性

近年来,我国互联网金融发展迅猛,P2P网贷作为互联网金融的核心模式之一,是一种网络化、突破门槛和地域限制的投融资活动。然而,P2P网贷行业在经历了疯狂的扩张之后,风险和弊端开始显露。该文立足于P2P网贷平台,研究网贷行业目前发展现状及面临的问题,进而对我国P2P网贷平台及相关监管提出改进措施。     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。     

P2P网贷平台借款人信用风险评估

为提高P2P网贷平台对借款人信用风险评估的准确性,利用主成分分析模型,用8个主成分反映18个指标,依据熵权法和方差百分比赋予权重,得到借款人是否违约还款的临界值,依据该值对借款人是否违约还款进行评估;再利用Logistic回归模型,得到影响借款人违约发生率的4个指标,其按影响程度从大到小的排序为借贷子等级、借贷目的、过去两年里超过30 d以上未及时还款的次数、贷款收入比。对11 383条交易数据的识别结果表明,在阈值为50%时,评估模型对正常还款的拟合率为99.6%,对违约还款的拟合率为71.3%,整体的拟合准确率为96.04%。     

基于聚类分组的P2P网络信任模型

由于P2P网络的匿名性与节点自由进出P2P网络的特点,给网络带来了一系列的安全问题。为了解决P2P网络中的信任问题．本文提出了一种基于聚类分组的信任模型。首先给出了信任度的定义;然后依据兴趣分组计算节点的信任值和小组的信任值;最后提出了基于聚类分组的信任模型的实现方式。     

基于互信息和K-means聚类的信息安全风险评估

针对信息安全风险评估训练数据少、求解最优值困难等问题,提出了基于互信息和K-means聚类的信息安全风险评估方法.用模糊评价法量化风险指标,通过互信息计算风险因素与风险等级之间的依赖性,找出风险度在每个等级的最优点作为K-means初始中心点,用K-means算法对数据分类.该方法实现简单且克服了 K-means对初始...     

基于高维数据的聚类研究综述

随着互联网的发展,数据变得越来越复杂,数据维度也向多维化发展,实际应用中,高维数据愈加普遍,在高维数据中发现数据之间的关系也越来越重要。论文介绍了处理高维数据的应用背景及研究意义,研究分析了当前处理高维数据的聚类分析和常见降维方法的研究现状以及存在的问题,并总结了主成分分析、线性判别式以及局部线性嵌入三种主要降维算法的思想、相应算法的发展现状、存在的缺点,最后指出在高维数据聚类分析方面还需要注意的几个问题及今后的发展方向。     

基于集群环境的K-Means聚类算法的并行化

K-Means聚类算法在面对海量数据时,时间和空间的复杂性已成为K-Means聚类算法的瓶颈.在充分研究传统K-Means聚类算法的基础上,提出了基于集群环境的并行K-Means聚类算法的设计思想,给出了其加速比估算公式,并通过实验证明了该算法的正确性和有效性.     

基于K-均值聚类的岩芯偏振显微图像粒径分析

针对岩芯图像的粒径分析提出了一种基于K-均值聚类算法的半自动分割算法,并编写了一套颗粒粒度图像处理程序.首先将超像素处理概念应用于岩芯偏振显微图像,得到过度分割的结果,然后对分割结果进行K-均值聚类和区域融合,利用图像中的边缘信息得到了更合理的结果,并大大提高了运算的速度;根据提出的算法,基于VB.NET 2008平台构建了一套半自动岩芯图像粒度分析软件,集图像采集、图像处理、粒度参数分析、砾石种类分类以及测量报告输出等功能于一体,大大提高了岩芯粒径分析的工作效率.     

基于蝙蝠算法的K均值聚类算法

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。     

一种新的K-Means蚁群聚类算法

针对蚁群聚类算法聚类质量不高的原因,使用K-Means算法改进蚁群聚类规则,提出一种新的K-Means蚁群聚类算法(KM-AntClust),并通过实验验证新算法的聚类效果.实验结果表明,新的算法可以明显提高聚类质量.     

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

基于SOFM网络的改进K-均值聚类算法

针对传统的K-均值聚类算法中随机选取初始聚类中心的缺陷,提出一种改进的K-均值聚类算法,利用自组织特征映射网络(SOFM)自动获得初始聚类中心.实验结果表明,改进的K-均值聚类算法能有效改善聚类性能,提高聚类的准确率.     

基于K-Means动态聚类的投影寻踪分类模型

投影寻踪分类模型作为一种多因素影响问题的综合评价方法,已经被研究者广泛应用在各个领域并取得了良好的效果.然而模型本身还存在密度窗宽不确定以及模型无分类规则等尚需解决的问题.针对这些问题,提出一个基于K-Means动态分类的投影寻踪分类模型,定义了一个新的投影指标.实证分析说明了该模型的可靠性和可操作性.     

基于SOM改进的K-Means聚类算法

随着网络技术和相关学科的发展,入侵检测技术日趋成熟.对SOM算法和K-Means算法进行了具体的分析,提出了一种基于SOM和K-Means的使两类算法优点相结合并克服各自不足的聚类算法,提高了聚类信息的精确度、对攻击的识别率和系统的整体性能.     

基于K －均值聚类的混合聚类算法

K-均值聚类算法是聚类算法中比较典型的算法之一,在其各类改进算法中都受到了离群点、初质心、类个数等因素的干扰。本文利用相似密度提出一种新的聚类初始质心选取和离群点判别方法,对K-均值聚类算法进行了改进。通过实验证明改进算法提高了聚类的有效性和稳定性。     

基于损失期望值的煤炭企业全面风险因子分析

"三期叠加"的压力、市场需求乏力的抑制、低价进口煤的冲击、能源结构调整的影响,给煤炭企业带来了沉重的负担,实行全面风险管理是企业度过经济转换期的突破口。以损失期望值法为研究基础,对煤炭企业41个关键风险事项的损失期望值进行调研。通过对样本数据的分析,抽取出5个公共因子,建立了风险因子评价模型和全面风险评价模型,设定了煤炭企业全面风险损失期望因子得分评价等级,对样本数据的风险评价等级分布进行分析,得出我国大多数煤炭企业的全面风险状况处于中等水平的结论。