Resumen

Este documento examina los determinantes del riesgo de incumplimiento de plataformas utilizando métodos de aprendizaje automático, incluyendo modelos exhaustivos, y compara así las habilidades predictivas de estos modelos. Para probar el riesgo de incumplimiento de las plataformas, este documento construye tres tipos de variables, que reflejan las características operativas de las plataformas, la retroalimentación de los clientes y la capacidad de cumplimiento. Encontramos que el rendimiento anormal tiende a desencadenar significativamente el riesgo de incumplimiento. Sin embargo, el riesgo de incumplimiento puede minimizarse si una plataforma tiene recomendaciones positivas de los clientes y una divulgación de información más transparente o está afiliada como miembro de la Asociación Nacional de Finanzas por Internet de China. Los resultados empíricos indican que el modelo CART supera al modelo de Bosques Aleatorios y la regresión Logit en la predicción del riesgo de incumplimiento de las plataformas. Nuestro estudio arroja luz sobre la predicción del riesgo de

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Determinantes; Riesgo por defecto de la plataforma; Métodos de aprendizaje automático; Retroalimentación de los clientes; Capacidad de cumplimiento; Rendimiento anormal
• Keywords:Determinants; Platform default risk; Machine learning methods; Customer feedback; Compliance capability; Abnormal return