7 浏览
第一章 绪论
1.1 研究背景
1.1.1 金融科技平台发展现状
1.1.2 消费信贷行业与违约率特点
1.1.3 动态预测模型的必要性
1.2 研究意义
1.2.1 理论意义
1.2.2 实践意义
1.3 研究内容与创新点
1.3.1 研究内容
1.3.2 创新点
1.4 研究方法与技术路线
1.4.1 文献综述法
1.4.2 数据挖掘与机器学习方法
1.4.3 时间序列与风险模型
1.4.4 案例分析法
第二章 文献综述与理论基础
2.1 消费信贷违约预测研究进展
2.1.1 传统统计模型（Logit、Probit）
2.1.2 机器学习模型（随机森林、XGBoost）
2.1.3 深度学习模型（LSTM、RNN）
2.2 动态风险预测理论
2.2.1 Cox比例风险模型
2.2.2 动态Logit模型
2.2.3 贝叶斯动态模型
2.3 金融科技平台风控变量体系
2.3.1 用户行为变量
2.3.2 合同特征变量
2.3.3 宏观经济与市场变量
2.4 文献评述与研究空白
第三章 研究设计与变量定义
3.1 研究框架
3.1.1 数据来源与样本选取
3.1.2 数据清洗与预处理
3.1.3 研究流程图
3.2 变量定义
3.2.1 用户特征变量
3.2.1.1 年龄（Age）
3.2.1.2 性别（Gender）
3.2.1.3 月收入（Income）
3.2.2 信用行为变量
3.2.2.1 逾期次数（DelinqCount）
3.2.2.2 信用额度使用率（UtilizationRate）
3.2.2.3 过去违约标记（PastDefault）
3.2.3 交易行为变量
3.2.3.1 日活跃天数（ActiveDays）
3.2.3.2 登录频率（LoginFreq）
3.2.3.3 APP使用时长（AppUsageTime）
3.2.4 合同特征变量
3.2.4.1 贷款金额（LoanAmount）
3.2.4.2 贷款期限（Term）
3.2.4.3 年化利率（InterestRate）
3.2.5 宏观经济变量
3.2.5.1 失业率（UnemploymentRate）
3.2.5.2 GDP增速（GDPGrowth）
3.2.5.3 CPI涨幅（CPIChange）
3.2.6 平台运营变量
3.2.6.1 风控评分（RiskScore）
3.2.6.2 历史坏账率（BadRate）
第四章 动态预测模型构建
4.1 模型选择与原理
4.1.1 Cox比例风险模型原理
4.1.2 动态Logit模型框架
4.1.3 LSTM神经网络模型
4.2 模型建立与参数调优
4.2.1 静态模型构建流程
4.2.2 动态更新机制设计
4.2.3 超参数调优方法
4.3 模型评价指标
4.3.1 AUC（ROC曲线下面积）
4.3.2 KS统计量
4.3.3 Brier得分
4.3.4 动态校准图
第五章 实证分析与模型动态更新
5.1 样本描述与分组
5.1.1 样本统计特征
5.1.2 训练集与测试集划分
5.2 实证结果分析
5.2.1 静态模型性能对比
5.2.2 动态模型效果评估
5.2.3 不同时间窗口下的稳健性
5.3 稳健性检验
5.3.1 滚动窗口检验
5.3.2 子样本检验
5.3.3 极端情景测试
5.4 模型动态更新策略
5.4.1 更新频率与触发条件
5.4.2 在线学习与增量更新
5.4.3 更新效果评估
第六章 结论与展望
6.1 主要研究结论
6.1.1 动态模型优越性总结
6.1.2 变量重要性排序
6.2 政策建议与实践启示
6.2.1 平台风控优化建议
6.2.2 监管部门建议
6.3 研究局限与未来展望
6.3.1 数据与方法局限
6.3.2 后续研究方向
