1. 研究目的与意义
随着P2P网络借贷平台规模的扩大，平台所暴露出来的问题也越来越多。
信息的不对称加剧了网络借贷的信用风险。
对信用风险已有较多研究，但仍然存在一些不足。
2. 研究内容和预期目标
研究内容：1、选择影响P2P借贷结果的解释变量并探究其影响方向；2、建立模型评估P2P借款方的违约概率 拟解决的关键问题：1、重要解释变量的选择，特别是交互作用的识别；2、评估所构建模型的预测效果。写作提纲：一、摘要二、文献综述三、数据预处理与描述统计四、模型构建1、解释变量的选取及交互作用的识别2、违约风险评估模型的构建（可包括多个模型的比较）3、模型预测效果的评估五、结论与总结
3. 国内外研究现状
P2P违约风险预测的主要思路是利用反映借款人特征的一些解释变量，通过分类或回归等模型评估借款人的信用等级，从而对其违约风险作出判断。
首先，在解释变量的选择上，冯新月（2014）将影响贷款是否违约的因素分为两类，一类是与贷款合约有关的变量，如借款金额、利率和期限。还有一类是与借款者有关的变量，如借款者收入、住房情况等。运用logit模型发现仅贷款金额对贷款是否违约有显著影响。缪莲英等（2014）着重研究社会资本对贷款违约的影响，将推荐信任、小组关系与朋友关系作为社会资本的替代变量，发现社会资本的存在能够降低借款者违约风险。盛浙湘等人（2015）综合了借款人#8220;硬信息#8221;，借款人行为和社交网络三类信息，用logit模型进行变量降维后，采用逐步加入影响因素的随机森林方法对解释变量的重要性进行排序。实证表明借款人历史违约率是首要因素，其次是还款次数。从整体看，借款人行为信息优于硬信息优于社交网络信息。Xiangru Chen等人（2015）从社会资本的结构和关系两个维度讨论其对筹资和偿还表现的影响。结构维度指小组的规模，关系维度指小组成员是否经过认证、小组领导集团是否仅借款人或出借人和小组的凝聚力。综合上述各文献选定的解释变量来看，主要分为借款人#8220;硬信息#8221;，借款人行为和社会资本三类信息，但对社会资本的定义不同。同时，多数文献都只考虑了借款人个体的特征变量，忽略了变量间的交互作用。
采用胡心瀚等人（2012）中的方法，目前应用广泛的信用风险预警方法可以分三类，分别是统计分析方法，机器学习方法和基于市场价值的评估方法。统计分析方法包括logit回归，多元线性回归，判别分析等。李湛等人（2008）基于Altman的Z计分模型加权计算得到一个公司的综合风险分Z值，并将其与临界值对比可知公司危机的严重程度。徐晓萍等人（2011）利用线性和非线性判别分析。刘淑莲等人（2008）研究上市公司信用评级时，对选定的财务指标进行因子分析，对每个公司的因子得分进行K-means聚类分析，按照上市公司距哪个聚类中心点的距离最短的原则划分等级，从而得到七级信用标准等级。实证表明模型的预测能力较好。Riza Emekter等人（2015）利用二元logit回归，发现信用评分、债务收入比（debt-to-income ratio）、FICO Score和循环利用率对决定贷款是否违约有很重要的影响。彭建刚等人（2009）对由财务指标因子分析得到的因子值进行有序多分类logit回归。陈莹等人（2015）利用MCLP模型分析客户信用行为分类问题，采用线性规划计算客户的评分以及评分的边界，从而将客户分为好和坏两类。检验发现MCLP模型的准确率高于logit模型。Xiangru Chen等人（2015）利用条件回归和计算条件概率的方法讨论社会资本对借贷结果的影响。
4. 计划与进度安排
研究计划：2022-12-01至2022-01-10确定选题，完成开题报告，
2022-01-11至2022-01-31 收集数据并完成数据预处理
2022-02-01至2022-02-15 构建模型
5. 参考文献
[1]冯新月. P2P网络借贷违约风险的影响因素研究[J]. 中国商贸,2014,11:72-74.
[2]缪莲英,陈金龙. P2P网络借贷中社会资本对借款者违约风险的影响--以Prosper为例[J]. 金融论坛,2014,03:9-15 66.
[3]盛浙湘,尹优平,盛辉. 中国P2P信贷市场中的借贷行为监管研究--基于前景理论的PPDai数据挖掘[J]. 公司金融研究,2015,02:1-23.
以上是毕业论文开题报告，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。
