مقاله پیش بینی عدم موفقیت سیستم های وام P2P از طریق یادگیری ماشین: مورد تحقیقاتی در چین

چکیده

This study employs machine learning models to predict the failure of Peer-to-Peer (P2P) lending platforms, specifically in China. By employing the filter method and wrapper method with forward selection and backward elimination, we establish a rigorous and practical procedure that ensures the robustness and importance of variables in predicting platform failures. The research identifies a set of robust variables that consistently appear in the feature subsets across different selection methods and models, suggesting their reliability and relevance in predicting platform failures. The study highlights that reducing the number of variables in the feature subset leads to an increase in the false acceptance rate while the performance metrics remain stable, with an AUC value of approximately 0.96 and an F1 score of around 0.88. The findings of this research provide significant practical implications for regulatory authorities and investors operating in the Chinese P2P lending industry.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه از مدل های یادگیری ماشین برای پیش بینی عدم موفقیت سیستم عامل های وام دهی به همتا (P2P) ، به ویژه در چین استفاده می کند.با استفاده از روش فیلتر و روش بسته بندی با انتخاب رو به جلو و حذف عقب ، ما یک روش دقیق و عملی را ایجاد می کنیم که استحکام و اهمیت متغیرها را در پیش بینی خرابی پلت فرم تضمین می کند.این تحقیق مجموعه ای از متغیرهای قوی را که به طور مداوم در زیر مجموعه های ویژگی در روش ها و مدل های مختلف انتخاب ظاهر می شوند ، مشخص می کند ، و این نشان می دهد قابلیت اطمینان و ارتباط آنها در پیش بینی خرابی پلت فرم است.این مطالعه نشان می دهد که کاهش تعداد متغیرهای موجود در زیر مجموعه ویژگی منجر به افزایش نرخ پذیرش کاذب می شود در حالی که معیارهای عملکرد پایدار هستند ، با مقدار AUC تقریباً 0.96 و نمره F1 در حدود 0.88.یافته های این تحقیق پیامدهای عملی قابل توجهی را برای مقامات نظارتی و سرمایه گذاران فعالیت در صنعت وام دهی P2P چین ارائه می دهد.