基于支持向量机的个人信用评估研究
个人信用评估是信贷实务的重要组成部分。银行通过分析借款人提交的贷款申请，评估申请者未来的违约风险，进而决定是否批准个人贷款申请，风险判别模型精度的高低直接影响银行的信用风险。信用评估就是基于借款人的信用质量对客户进行分类，相关技术方法国外研究已有60多年，整体上经历了从统计学方法到非参数方法再到人工智能方法的发展过程，学者们一直都致力于寻找更加精准高效的评估方法。支持向量机(SVM)作为一种新型机器学习技术，是建立在统计学习原理上的常见分类方法，在处理小样本、非线性数据及高维模式识别等领域具有广泛的应用，呈现出特有的优势。 本研究旨在构建个人信用评估的SVM模型，并对SVM模型建立过程中的变量选取、参数优化等问题进行深入的探讨，以获得更高的预测精度。具体地，本文首先认真汇总了文献中SVM分类模型的原理及算法，认识到传统SVM模型中无法有效筛选预测指标的不足。以此为出发点，本文提出通过计算待选信用指标的信息价值判断信用指标的重要程度，并将按照该方法筛选后的变量输入SVM模型。同时，文献表明SVM模型中的核函数参数与惩罚因子的选择对模型性能有至关重要的影响，本文将群智能优化算法与支持向量机结合，分别采用了遗传算法(GA)、粒子群算法(PSO)、灰狼算法(GWO)等三种群智能算法优化SVM模型关键参数，分别构建了GA-SVM，PSO-SVM，GWO-SVM组合优化个人信用评估模型。本文实证分析以真实的信贷数据为基础，并通过Matlab软件编程重点测算了考虑变量选取后的SVM模型及上述三个组合优化模型的预测精度，实验证明无论是冗余指标的删除还是SVM模型关键参数的优化均能显著提高模型的分类效果。本文所提出的方法在处理信用评估问题时有良好效果，能为信用评估人员提供有效决策建议。
个人信用评估;支持向量机;信息价值;群智能算法;参数优化
北京化工大学
硕士
管理科学与工程
王璇
2017
中文
F830.5
95
2017-08-15（万方平台首次上网日期，不代表论文的发表时间）