毕业论文课题相关文献综述
文 献 综 述随着互联网金融的快速发展和大数据时代的来临，网络借贷应运而生，它为借款方和投资方提供了一个交易平台，但是由于数据来源广泛，数据结构多元化，使得投资方需要提高信用风险评估的准确性和适应性，从而确保借款人在未来不会违约，而机器学习技术恰好能够显著提高信用风险评估的准确性和适应性。
本课题研究基于特征信息和支持向量域描述的信用风险评估模型，以尽可能降低不良贷款的可能。
到目前为止，对于风险信用评估模型的研究已经有多年的历史，国内外有着大量的研究成果。
周毓萍等人通过运用动态脱敏技术进行数据脱敏、LOF检验方法进行数据异常值的检验和随机森林方法进行数据缺失值的补充，通过基于逻辑回归的评分卡模型对指标进行处理，最后通过BP神经网络对模型进行检验，研究表明基于机器学习能够提高个人信用评价的准确性[1]。
刘志惠等人提出了一种基于XGBoost机器学习算法的互联网金融风控模型，与传统的统计评分卡模型比较，机器学习模型能更好的预测个人信用风险，从而得到更有效的风控体系[2]。
罗鸣采用随机森林算法构建的信用风险管理模型，同时构建了决策树、支持向量机、神经网络等机器学习算法与利用随机森林算法构建进行精确度的对比分析，结果表明随机森林算法的预测精度较高[3]。
孙夫雄等人基于机器学习原理提出了股票停牌预测的组合模型，将财务和股票的高维特征通过精密筛选和组合形成多个低维特征子集，分别训练子模型而形成模型池，在形成的模型池里随机抽取多个模型，然后通过投票法进行股票停牌预测，而预测的结果也是取得了比较好的效果[4]。
何诚颖在《人工智能炒股能跑赢大盘吗?》一文中介绍了应用于股票投资的主要机器学习算法有Lasso回归、决策树、集成学习、聚类算法、Q_learning、隐马尔科夫模型、KNN算法等，并对人工智能在股票中的绩效评估做了仔细的说明和分析[5]。
王重仁等人提出了一种基于卷积神经网络（convolutional neural network，CNN）和长短期记忆神经网络（long short-term memory，LSTM）的深度神经网络个人信用评分方法，该方法将用户的行为数据编码成一个由时间维度和行为维度构成的矩阵，并用LSTM模型和CNN模型融合而成的新模型进行数据实验，结果表明，新模型不但优于传统模型，而且优于单独的LSTM模型和CNN模型[6]。
唐亦玮在对绿色信贷信用评价研究中，使用支持向量机、BP神经网络、和卷积神经网络建立绿色信贷信用评价模型，并且进行比较，通过研究表明卷积神经网络模型的预测能力和准确率要比支持向量机和BP神经网络构造的模型更好[7]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
