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

1、 昂个人信用评估论叭文：基于粗糙集伴熬支持向量机的个办人信用评估佰【中文摘要】癌随着中国经济的拜快速发展,个人熬信贷业务发展迅爸速,并逐步成为哀我国各商业银行半等金融机构扩大颁业务份额、提高阿利润增长点以及耙国家拉动内需的岸一个重要途径。拌然而信贷主体个盎人信用的缺失导肮致银行面临极大绊的风险,并成为扳信贷业务发展壮岸大的主要障碍。拌全面了解和评价搬贷款申请人的信版用情况是各金融奥机构搞好信贷业佰务、防范信用风哎险的关键问题。办因此,对信贷主矮体的个人信用评霸估模型的研究也皑便有了重要的应凹用和现实价值。搬本文的主要工作啊包括:翱啊本文首先综述了板国内外个人信用爸评估情况的发展拜现状,并详细分

2、扮析了目前已经被昂使用个人信用评爸估方法其各自的瓣优缺点。绊安综述了我国个人澳信用评估工作中翱所使用的评估指扮标体系,从定性按的角度对指标体疤系的特点进行了拜分析,并进一步半从定量的角度研八究了个人信用评鞍估指标体系中的肮几个重要的指标拌及其对个人资信搬的影响作用。绊板基于对我国个人吧信用评估指标体啊系的分析和众多皑学者对评估方法挨研究的基础上,把本文尝试建立起挨基于粗糙集和支碍持向量机相结合肮的个人信用评估傲体系,希望能够吧寻求一种更为有吧效的评估模型,澳一定程度上提高癌个人信用评估的暗分类正确率。叭埃利用我国河北省跋某商业银行20班09年的450坝个数据样本对构般建的个人信用评案估模型进行

3、了验按证分析,结果表唉明该模型具有较挨好的分类效果。隘暗对比实验。为了艾验证该模型分类吧效果的可靠性,蔼文中设置了多组奥对比实验。首先拌通过软件计算得笆出同一数据样本昂就不同的方法的稗分类效果,这些埃方法包括线性判袄别分析,Log敖istic回归暗,K近邻判别分摆析,人工神经网把络。其次,将基哎于RS-SVM佰组合模型的个人坝信用评估模型分办类效果与这些模胺型的预测效果进摆行比较,从而验埃证了该组合模型哀的分类效果的可挨靠性。此外,针昂对数据样本自身佰可能存在一定的班局限性等问题,盎本次实验还采用胺一组公开的国外霸信贷样本数据来八验证了RS-S袄VM组合模型的澳分类效果,该组肮数据虽然是国外盎

4、数据,但也可以霸从一个侧面反映安了RS-SVM挨组合模型在个人哎信用评估方面的捌适用性和可靠性班。本文的研究,隘旨在寻求一种有矮效的个人信用评盎估模型,使其分疤类识别结果能为凹信贷业务部门提昂供有力的支持,把帮助我国商业银邦行等金融机构很矮好的开展个人信半用风险评估体系斑建设工作、提高捌信贷业务的风险扒管理水平、降低扒因信贷主体个人靶信用的缺失而导斑致的不良资产流摆失及更进一步促爱进我国个人信贷扒市场的有序发展熬。爱【英文摘要】邦Along w袄ith the绊 rapid 叭develop八ment of摆 China叭案s econo笆my, per罢sonal c佰redit b埃usi

5、ness耙 has de岸veloped半 rapidl扳y, and 懊gradual柏ly beco耙me a im百portant跋 way of傲 China霸捌s comme疤rcial B拜anks an爱d other百 financ半ial ins啊titutio搬ns to e斑xpand b蔼usiness把 share、凹improve安 profit搬 growth板 point,笆 it can安 stimul癌ate nat八ional d啊omestic埃 demand芭 too. W案hi芭le, und叭er the 啊economi罢c trans隘itio

6、n e邦nvironm皑ental c拔onditio斑ns, cre盎dit sub把ject斑敖s credi哎t defic半iencies把 cause 般banks f笆acing g柏reat ri鞍sk and 昂become 皑the mai稗n obsta半cle to 扒credit 耙develop爸ment an摆d expan案sion. C熬omprehe败nsive u岸ndersta暗nding a伴nd eval扳uating 癌the cre盎dit sta斑tus of 八individ笆uals is邦 key pr澳oblem a柏ll of f矮in

7、ancia爱l struc肮ture to扒 improv氨e perso半nal cre傲dit and伴 guard 拜against肮 credit百 risk .氨The fol胺lowings靶 are th盎e mainl芭y work 摆of this叭 this p哀aper: R埃eviews 扒Chinese捌 person斑al cred皑it eval颁uation 岸work in版 the us埃e of th拜e evalu胺ation i啊ndex sy拌stem, f笆rom the熬 qualit翱ative a胺ngle to半 the ch凹aracte

8、r爱istics 班of inde昂x syste板m are a安nalyzed哎, and f凹rom the拜 Angle 皑of furt背her qua敖ntitati疤ve stud扳y of in笆dividua扮l credi邦t evalu唉ation i吧ndex sy澳stem of按 severa般l impor翱tant in败dexes a佰nd the 斑effect 邦of indi熬vidual 唉credibi邦lity. S翱et up a靶 consum白er cred啊it eval疤uation 埃model b绊ased on啊 rough 巴se

9、ts an邦d suppo俺rt vect凹or mach白ine. Su罢pport v坝ector m拜achines疤 has be岸en appl翱icated 邦in the 叭persona败l credi邦t evalu邦ation w办ith goo拌d resul氨ts. Per拜sonal C昂redit I奥ndex Sy氨stemt i案s usual柏ly cont芭ains a 败lot of 耙redunda蔼nt info皑rmation癌, which伴 will a板ffect t扒he supp扳ort vec叭tor mac奥hine le氨arning

10、.佰 This p跋aper tr吧ied to 唉build u氨p a new鞍 credit罢 evalua拜tion mo懊del bas矮ed on r安ough se搬t and s癌upport 霸vector 半machine扳; A emp扒irical 翱analysi捌s of th罢e estab疤lishing懊 person按al cred艾it eval扳uation 拜is made芭, Empir哎ical st佰udy sho半ws that扮 this m氨odel ca斑n obtai唉n high 巴classif艾ication靶 accura搬te

11、 rate搬 and se白lect th办e key f暗eatures拌; Compa啊re the 稗classif办ication板 accura拔te rate绊 of cre靶dit eva懊luation摆 model 柏based o安n rough岸 sets a案nd supp佰ort vec蔼tor mac版hine to埃 severa版l other耙 classi阿cal met凹hods. A艾ccordin啊g to da拜ta samp绊le them俺selves 拌may exi懊st cert伴ain lim癌itation隘s, this版 exper

12、i扳ment ha佰s also 背used a 暗set of 柏open Au斑stralia凹 credit爸 the sa拜mple da案ta to v挨alidate安 the SV巴M model埃 portfo斑lios rs哎-five c埃lassifi摆cation 瓣effect,板 the re般sults a哀lso ach坝ieved g背ood res挨ults, t霸he grou霸p data 伴althoug坝h is fo敖reign d摆ata, bu拜t also 伴from a 稗side, r肮eflects皑 the SV斑M model艾 p

13、ortfo把lios rs办-five p败ersonal芭 credit癌 evalua邦tion in艾 the ap挨plicabi奥lity an耙d relia艾bilityT疤his stu斑dy aims坝 to see版k an ef癌fective霸 person艾al cred扳it eval稗uation 傲model a昂nd then佰 provid皑es forc艾eful su板pport t胺o consu隘mer cre暗dit bus邦iness ;罢 Help C瓣hinese 把commerc扳ial Ban熬ks, and班 other 邦financ

14、i叭al inst安itution捌s condu稗cting p澳ersonal绊 credit袄 risk a啊ssessme稗nt syst俺em cons啊tructio办n work;隘 Improv败e consu绊mer cre阿dit bus袄iness l绊evel of邦 risk m拜anageme摆nt; Red办uce bad盎 assets芭 loss c瓣aused b叭y consu袄mer cre阿dit sub艾ject盎埃s credi霸t defic扳iencies案 and Pr傲omote C癌hina般隘s perso熬nal cre案dit ma

15、r吧ket and搬 orderl皑y devel鞍opment.爱【关键词】碍个人信用评估 肮粗糙集 支持向澳量机跋【英文关键词】袄Persona办l credi跋t evalu熬ation 背 Ro佰ugh Set柏s 盎 Super 胺Vector 百Machine罢【目录】昂基于粗糙集扳啊支持向量机的个癌人信用评估 瓣 摘要 3-氨4 A绊BSTRACT吧 4-5 挨 目录 碍6-8 爱 1 绪论 拜8-13 奥 1.1 研稗究背景 8-翱9 1啊.2 问题的提霸出 9-11叭 1.拜3 本文主要的昂研究内容 1哀1-13 靶 2 翱个人信用评估及拔其方法综述 艾13-21 敖 2.1

16、 皑个人信用评估 扮 13 按 2.2 个人扮信用评估方法 凹 13-21 疤 2.2坝.1 经验式判颁别法 14-艾15 搬2.2.2 统岸计学方法 1盎5-17 芭 2.2.3拌 运筹学方法 敖 17 疤 2.2.4 柏人工智能方法 捌 17-20 按 2.2肮.5 其他方法爸 20-21罢 3 败粗糙集和支持向扒量机理论介绍 矮 21-31 隘 3.1胺 粗糙集理论概版述 21-2吧5 3捌.1.1 粗糙坝集理论的产生及岸发展 21 澳 3.1翱.2 粗糙集相癌关概念 21盎-23 唉 3.1.3 佰基于粗糙集的属坝性约简 23奥-24 唉 3.1.4 皑约简算法 2懊4-25 矮 3.

17、2 基扒于支持向量机的斑分类实现 2白5-31 挨 3.2.1氨 统计学习理论跋中几个重要概念唉 25-27阿 3.般2.2 支持向跋量机分类情况 败 27-31 氨 4 粗俺糙集-支持向量昂机个人信用评估坝模型构建 3邦1-39 绊 4.1 指百标选取原则 半31-32 跋 4.2 办个人信用评估指拜标体系 32矮-34 艾 4.3 选取办粗糙集和支持向巴量机构建个人信艾用评估模型的主稗要依据 34叭-37 皑 4.3.1 拌个人信用数据及奥评估指标的特点板 34-35邦 4.搬3.2 选取使稗用粗糙集的依据爱 35-36暗 4.靶3.3 选取支芭持向量机的依据哎 36-37跋 4.挨4 模型构建流拔程 37 八 4.5 哎本章小结 3拌7-39 安 5 实验设笆计及实验结果分矮析 39-5吧2 5邦.1 数据源 笆 39-41 肮 5.1癌.1 来源 案39-40 巴 5.1.板2 数据量化 肮 40-41 班 5.2哎 基于粗糙集的矮数据预处理 把41-45 版 5.2.爱1 数据离散化胺 41-42岸 5.矮2.2 属性约八简 42-4碍3 5蔼.2.3 约简扒结果及评估指标白定量分析 4捌3-45 扮 5.3 S唉VM样本选取及唉数据处理 4白5-49 啊