搜索
个人信用评估论文：基于粗糙集—支持向量机的个人信用评估【中文摘要】随着中国经济的快速发展,个人信贷业务发展迅速,并逐步成为我国各商业银行等金融机构扩大业务份额、提高利润增长点以及国家拉动内需的一个重要途径。然而信贷主体个人信用的缺失导致银行面临极大的风险,并成为信贷业务发展壮大的主要障碍。全面了解和评价贷款申请人的信用情况是各金融机构搞好信贷业务、防范信用风险的关键问题。因此,对信贷主体的个人信用评估模型的研究也便有了重要的应用和现实价值。本文的主要工作包括:①本文首先综述了国内外个人信用评估情况的发展现状,并详细分析了目前已经被使用个人信用评估方法其各自的优缺点。②综述了我国个人信用评估工作中所使用的评估指标体系,从定性的角度对指标体系的特点进行了分析,并进一步从定量的角度研究了个人信用评估指标体系中的几个重要的指标及其对个人资信的影响作用。③基于对我国个人信用评估指标体系的分析和众多学者对评估方法研究的基础上,本文尝试建立起基于粗糙集和支持向量机相结合的个人信用评估体系,希望能够寻求一种更为有效的评估模型,一定程度上提高个人信用评估的分类正确率。④利用我国河北省某商业银行2009年的450个数据样本对构建的个人信用评估模型进行了验证分析,结果表明该模型具有较好的分类效果。⑤对比实验。为了验证该模型分类效果的可靠性,文中设置了多组对比实验。首先通过软件计算得出同一数据样本就不同的方法的分类效果,这些方法包括线性判别分析,Logistic回归,K近邻判别分析,人工神经网络。其次,将基于RS-SVM组合模型的个人信用评估模型分类效果与这些模型的预测效果进行比较,从而验证了该组合模型的分类效果的可靠性。此外,针对数据样本自身可能存在一定的局限性等问题,本次实验还采用一组公开的国外信贷样本数据来验证了RS-SVM组合模型的分类效果,该组数据虽然是国外数据,但也可以从一个侧面反映了RS-SVM组合模型在个人信用评估方面的适用性和可靠性。本文的研究,旨在寻求一种有效的个人信用评估模型,使其分类识别结果能为信贷业务部门提供有力的支持,帮助我国商业银行等金融机构很好的开展个人信用风险评估体系建设工作、提高信贷业务的风险管理水平、降低因信贷主体个人信用的缺失而导致的不良资产流失及更进一步促进我国个人信贷市场的有序发展。【英文摘要】AlongwiththerapiddevelopmentofChina’seconomy,personalcreditbusinesshasdevelopedrapidly,andgraduallybecomeaimportantwayofChina’scommercialBanksandotherfinancialinstitutionstoexpandbusinessshare、improveprofitgrowthpoint,itcanstimulatenationaldomesticdemandtoo.While,undertheeconomictransitionenvironmentalconditions,creditsubject’screditdeficienciescausebanksfacinggreatriskandbecomethemainobstacletocreditdevelopmentandexpansion.Comprehensiveunderstandingandevaluatingthecreditstatusofindividualsiskeyproblemalloffinancialstructuretoimprovepersonalcreditandguardagainstcreditrisk.Thefollowingsarethemainlyworkofthisthispaper:ReviewsChinesepersonalcreditevaluationworkintheuseoftheevaluationindexsystem,fromthequalitativeangletothecharacteristicsofindexsystemareanalyzed,andfromtheAngleoffurtherquantitativestudyofindividualcreditevaluationindexsystemofseveralimportantindexesandtheeffectofindividualcredibility.Setupaconsumercreditevaluationmodelbasedonroughsetsandsupportvectormachine.Supportvectormachineshasbeenapplicatedinthepersonalcreditevaluationwithgoodresults.PersonalCreditIndexSystemtisusuallycontainsalotofredundantinformation,whichwillaffectthesupportvectormachinelearning.Thispapertriedtobuildupanewcreditevaluationmodelbasedonroughsetandsupportvectormachine;Aempiricalanalysisoftheestablishingpersonalcreditevaluationismade,Empiricalstudyshowsthatthismodelcanobtainhighclassificationaccuraterateandselectthekeyfeatures;Comparetheclassificationaccuraterateofcreditevaluationmodelbasedonroughsetsandsupportvectormachinetoseveralotherclassicalmethods.Accordingtodatasamplethemselvesmayexistcertainlimitations,thisexperimenthasalsousedasetofopenAustraliacreditthesampledatatovalidatetheSVMmodelportfoliosrs-fiveclassificationeffect,theresultsalsoachievedgoodresults,thegroupdataalthoughisforeigndata,butalsofromaside,reflectstheSVMmodelportfoliosrs-fivepersonalcreditevaluationintheapplicabilityandreliabilityThisstudyaimstoseekaneffectivepersonalcreditevaluationmodelandthenprovidesforcefulsupporttoconsumercreditbusiness;HelpChinesecommercialBanks,andotherfinancialinstitutionsconductingpersonalcreditriskassessmentsystemconstructionwork;Improveconsumercreditbusinesslevelofriskmanagement;Reducebadassetslosscausedbyconsumercreditsubject’screditdeficienciesandPromoteChina’spersonalcreditmarketandorderlydevelopment.【关键词】个人信用评估粗糙集支持向量机【英文关键词】PersonalcreditevaluationRoughSetsSuperVectorMachine【目录】基于粗糙集—支持向量机的个人信用评估摘要3-4ABSTRACT4-5目录6-81绪论8-131.1研究背景8-91.2问题的提出9-111.3本文主要的研究内容11-132个人信用评估及其方法综述13-212.1个人信用评估132.2个人信用评估方法13-212.2.1经验式判别法14-152.2.2统计学方法15-172.2.3运筹学方法172.2.4人工智能方法17-202.2.5其他方法20-213粗糙集和支持向量机理论介绍21-313.1粗糙集理论概述21-253.1.1粗糙集理论的产生及发展213.1.2粗糙集相关概念21-233.1.3基于粗糙集的属性约简23-243.1.4约简算法24-253.2基于支持向量机的分类实现25-313.2.1统计学习理论中几个重要概念25-273.2.2支持向量机分类情况27-314粗糙集-支持向量机个人信用评估模型构建31-394.1指标选取原则31-324.2个人信用评估指标体系32-344.3选取粗糙集和支持向量机构建个人信用评估模型的主要依据34-374.3.1个人信用数据及评估指标的特点34-354.3.2选取使用粗糙集的依据35-364.3.3选取支持向量机的依据36-374.4模型构建流程374.5本章小结37-395实验设计及实验结果分析39-525.1数据源39-415.1.1来源39-405.1.2数据量化40-415.2基于粗糙集的数据预处理41-455.2.1数据离散化41-425.2.2属性约简42-435.2.3约简结果及评估指标定量分析43-455.3SVM样本选取及数据处理45-495.3.1样本选取及数据标准化45-465.3.2SVM核函数选取46-475.3.3参数优化47-495.4实验结果分析49-505.5对比实验50-515.5.1同数据不同方法505.5.2同方法不同数据50-515.6本章小结51-526总结与展望52-546.1总结526.2研究不足和未来展望52-54致谢54-55参考文献55-58附录作者攻读学位期间发表的论文58