贷款审批是金融机构在发放贷款前，对借款人及其申请进行的评估和审核过程。此数据集专门用于根据个人申请人详细信息、财务指标和贷款特定因素预测贷款审批结果。它包含 12 列的 32,581 个条目，提供影响贷款审批决策的多种功能。其中数据包含：申请人的年龄（以岁为单位）（person_age）、申请人的美元年收入（person_income）、房屋所有权状况（例如，租住、拥有、抵押贷款）（person_home_ownership）、工作年限（person_emp_length）、贷款目的（例如，教育、医疗、个人）（loan_intent）、分配给贷款的风险等级（loan_grade）、申请人申请的贷款总额（loan_amnt）、与贷款相关的利率（loan_int_rate）、贷款的审批状态（已批准或未获批准）（loan_status）、申请人收入中用于偿还贷款的百分比（loan_percent_income）、指示申请人是否有违约历史记录（cb_person_default_on_file）、申请人的信用记录长度（以年为单位）（cb_person_cred_hist_length）。

论文研究-住房抵押贷款证券定价研究.pdf,  在分析MBS(Mortgage-backed securities)定价影响因素的基础上,考虑模型的稳健性和可操作性, 利用Schwartz和Torous定价模型,以建元2007-1RMBS作为研究对象, 模拟出BDT利率模型下的利率期限结构,再结合提前还款模型中的PSA法确定贷款现金流,进而确定期权调整价差OAS, 构建了适用于我国的MBS定价模型.

Kaggle 贷款批准预测的数据集是一个典型的机器学习问题，旨在通过分析客户的个人和财务信息，预测他们是否能够获得贷款批准。该数据集的一个显著特点是它具有极度不平衡的正负样本分布，即大部分申请贷款的用户都未获得批准（负类样本），而只有少部分用户获得批准（正类样本）。这种样本不平衡的情况在实际的商业和金融领域中是非常常见的，通常会给模型的训练和评估带来很大的挑战。 对于新手和初学者而言，处理这类不平衡数据集是一个非常好的练习机会，因为它可以帮助你掌握如何应对数据集中的正负样本不均衡问题。 初学者不仅可以提升数据预处理、特征工程、模型选择和调优的能力，还能更好地理解和应用机器学习中处理不平衡数据的技巧和方法。此外，这类任务通常涉及到实际业务问题，帮助学习者将理论与实践结合，提升解决现实问题的能力。 总之，Kaggle 贷款批准预测的数据集是一个非常适合新手练习和学习的数据集，通过对不平衡数据的处理，学习者可以掌握更多数据分析和机器学习的核心技能，同时为今后更复杂的项目打下坚实的基础。

大数据集群(PySpark)+Hive+MySQL+PyEcharts+Flask：信用贷款风险分析与预测

这是我自己用VBA写的贷款计算器. 希望与大家共享.

在这个项目中，我们将解决一个关于对进行个人贷款分类的问题。Thera-Bank的大部分客户都是存款人。同时也是借款人（资产客户）的客户数量相当少，银行有兴趣快速扩大这一客户群体，通过贷款利息来增加收入。特别是，管理层希望寻找方法将其负债客户转化为零售贷款客户，同时保持他们作为存款人。去年银行针对存款客户进行的一项活动显示了超过9.6%的转化率成功。这促使零售营销部门开发了更好的目标营销活动，以提高成功率并减少预算开支。该部门希望开发一个分类器，帮助他们识别更有可能购买贷款的潜在客户。 数据链接：https://www.kaggle.com/datasets/itsmesunil/bank-loan-modelling/

开展国家助学贷款的实践与探索，钱云光，，国家助学贷款是国家利用金融手段加大对高校贫困家庭学生资助力度而采取的一项重要措施，电子科技大学自开展国家助学贷款工作以来

https://blog.csdn.net/2201_75673146/article/details/133185369

机器学习--贷款违约行为预测（基于逻辑回归和朴素贝叶斯和随机森林及SVM四种方法实现，资源包含完成则代码及数据，数据3万余条记录

贷款数据， 数据数量：262,970条，68个指标