【个人信用评价模型研究的国内外文献综述3100字】

个人信用评价模型研究的国内外文献综述1.1国外研究现状国外在约60年前就开始了对信用风险评估的研究，目前已经建立起来了一套完整的信用评估体系，并且在商业银行等金融机构中应用十分广泛。从发展的角度来看，最初的信用风险评估仅仅为简单的定性研究。随着之后各种技术性手段的出现和发展，定量研究开始逐渐在信用风险评估中广泛应用。在早期阶段，银行等信贷机构的工作人员依据个人经验对申请人的相关信息进行分析并判断是否予以贷款，这种方法带有一定的主观性。首先研究该问题的是Fisher，他提出了线性判别法，即根据整体的特点，可以将其划分为不同的类别[1]；DavidDurand第一次将线性判别法应用于信用评价，从而区分贷款风险水平的高低[2]。在第二次世界大战期间，许多金融财务公司和邮购公司在信用评估业务方面人力资源严重不足，对于信贷评估并作出对应决策这一流程自动化的需求量急剧上升。在此之后，统计学的方法开始逐渐应用于信用风险评估研究。Orgler首次在个人信用评估的研究当中采用经典线性回归模型[3]。Logistic回归在原理上与线性回归类似，采用极大似然法（MLE）迭代的方法，从而估计出最接近真实的系数，如果解释变量为定性指标，则使用这种方法的效果将更加显著。Wiginton首次将该方法应用在了信贷违约预测问题中[4]。近些年来随着计算机性能的极大提高，在个人信贷风险评估领域，一些需要消耗大量计算资源的数据挖掘方法与机器学习技术开始逐渐展露出其优越性。机器学习算法多种多样，其中常见的算法包括决策树、随机森林、Logistic回归、判别分析、支持向量机、神经网络和遗传算法等。其中，决策树算法采用的是非参数的统计研究方法。由于先验信息处理后的数据具有非同质的关系，利用这种关系，决策树算法可以明显提高数据分类的效率和准确率。Makowski注意到了决策树对于该问题的良好的可解释性，基于决策树构建了个人信用评价模型。决策树对消费者进行连续的划分，使得每个类别都具有相似的信用等级，而不同类别的信用等级有显著差异[5]。1970年，Chatterjee和Barcuny首次将K近邻法其应用于个人信用评估问题中[6]。上世纪90年代，学者们开始尝试将神经网络算法引入至信贷违约预测问题中。包括Odom、Desai等人在内，不少学者都做了相关的实证研究，证明了神经网络在处理存在复杂关系的信用特征之间方面的优势[7][8]。支持向量机则比较新颖，是一种基于统计学的理论而发展起来的机器学习方法。与其它方法相比，这种方法在求解局部极小值、非线性问题以及模型选择等方面具有高效、准确的特点，如今支持向量机也是众多学者研究的热点。BaesensGestel第一次将支持向量机的方法应用于在客户信用的评分过程中，其结论显示支持向量机算法的预测准确率高于神经网络[9]。1.2国内研究现状我国信用消费的历史相对较短，在十几年前国内对个人信用评价的理论研究才逐渐开展。国内学者在构建个人信用评价模型时，一般分为三个研究方向：第一个是建立传统的统计方法的模型，进行一定的改进和创新，第二个是着眼于机器学习方法的改进，第三个是将统计方法与机器学习的手段进行比较与结合。（1）单一模型在个人信用水平评估中的应用姜明辉等人研究了判别分析方法在个人信用评价中的应用，并分析了K近邻方法和线性回归法对不同信用水平客户分类效果的影响及其对于不同数据集的广泛适用性[10][11]。与此同时，他们还研究了决策树法在信用评价体系中的应用[12]。在前人研究的基础上，石庆焱选取了国内某商业银行的信用数据，采用了判别分析、决策树、逻辑回归、神经网络算法和线性规划等多种分类方法进行研究和比较，并得出了与国外类似研究较为相同的结论。然而，部分学者认为一些传统的统计学方法例如Logistic回归仍具备一定的优势[13]。肖文兵和费奇选择了支持向量机的方法，选择合适的核函数构建出信用评估体系，对支持向量机在信贷违约预测领域的应用进行了初步的尝试[14]。郭春香将朴素贝叶斯与神经网络应用于具体数据并进行比较，着眼于这两种分类方法在信用风险评价中的适用性。结果表明，朴素贝叶斯在实际数据的研究中的预测精度要高于神经网络，而且它可以以具体概率的形式给出预测结果，这有助于后期分析不同的信贷违约风险的差异程度[15]。（2）组合模型在个人信用水平评估中的应用将多个存在各自缺点的单一方法模型进行组合并优化，可以结合多种优势达到综合的优势效果。石庆炎先建立了神经网络模型，将该模型的输出结果作为自变量之一，再和其他变量一起构建Logistic回归模型，最后适用Logistic模型对客户的信用进行评分[16]。姜明辉和谢兴恒创新地将Logistic回归和径向基函数神经网络相结合，证实了Logistic-RBF组合模型的优越性[17]。姜明辉等人构建了GA-SVM模型，利用遗传算法优化支持向量机参数选择过程，解决了其中存在的不合理的随机性问题[18]。该方法通过调整所用遗传算法的相关参数，可以更好地控制分类问题中的预测错误率，从而显著降低银行损失。向晖和杨胜刚重点研究了由七个分类器组成的组合模型，通过实证研究，他们认为组合模型确实有助于控制信用风险[19]。蓝润荣和程锡军将K-Prototypes算法引入神经网络，改善了传统的基于径向基函数的神经网络对起动中心的选择敏感度问题，使得RBF神经网络可以更好地应用于信用评价问题[20]。章贵军和方匡南将Lasso-Logistic模型应用于信用评估中，并与全变量Logistic回归模型和逐步回归模型进行了比较。通过实证研究，他们发现Lasso-Logistic模型比其他两种模型能提取出更多影响信用风险的重要特征和因素，并能获得更高的预测准确率[21]。1.3文献述评综上所述，经过几十年的发展，国外的个人信用评价的理论体系已经发展地相对比较成熟。早期大部分研究应用的方法都是定性判断，后来学者们将统计学的方法和数据挖掘算法应用于该问题。各种方法被不断地不断优化并进行比较，包括Logistic回归和支持向量机在内的相关方法均取得了不错的效果。我国对于个人信用评价研究的历史相对较短，而且包含了大量的重复性工作，国外学者已经充分研究的一些传统方法也被重新探索。但国内学者对现有方法进行了改进，并将单个的分类模型进行组合，展现出一些微创新模型的优越分类效果。从模型效果评价的角度来看，大多数文献看重的是模型准确率高低，并没有分析模型对不同类型客户的错判率及其重要程度，并且对稳定性等方面的考察也相对被忽视。本文选择从参数模型和非参模型的角度出发，选择了Logistic模型作为参数模型的代表，随机森林和Bagging算法代表非参方法，结合不同的错判率及其他评价指标对模型的效果进行比较。其中对于Logistic模型，重视对银行来说更重要的将差客户误判为好客户的伪正率，并针对这一点对模型进行改进。参考文献[1] Fisher.R.A.Theuseofmultiplemeasurementsintaxonomicproblems[J].AnnalsofHumanGenetics,1936,7(7):179-188.[2] Durand.D.Risk

elements

in

consumer

installment

financing[R].New

York:NationalBureauofEconomyResearch,1941:189-201.[3] Orgle.Y.E.A

credit

scoring

model

for

commercial

loans[J].MoneyCreditBank.1970,2(4):435-445.[4] Wiginton.J.C.

A

note

on

the

comparison

of

logit

and

discriminant

models

of

consumercreditbehavior[J].JournaloftheFinancialQuantitiveAnnals.1980,15(3):757-770.[5] Makowski.P.Creditscoringbranchesout[J].CreditWorld.1985,74(2):30-37.[6] Chatterjee.SandBarcun.S.ANonparametricApproachtoCreditScreening[J].JournaloftheAmericanStatisticalAssociation.1970,65,150-154.[7] OdomM.D.Aneuralnetworkmodelforbankruptcyprediction[J].InternationalJointConferenceonNeuralNetworks.1990,2:163-168.[8] Desai,

V.S,

Crook,

J.N.&

Jr.G.O.

A

comparison

of

neuralnetworksandlinearscoringmodelsinthecreditunionenvironment[J].EuropeanJournalofOperationalResearch.

1996,95(1):24–37.[9] VanGestelIT,BaesensB,GarciaIJ,etal.Asupportvectormachineapproachtocreditscoring[J].FORUMFINANCIERREVUEBANCAIREETFINANCIAIREBANKENFINANCIEWEZENUNKNOWN,2003(6):73-82.[10] 姜明辉,王雅林,赵欣,黄伟平.k-近邻判别分析法在个人信用评估中的应用[J].数量经济技术经济研究,2004(02):143-147.[11] 姜明辉,姜磊,王雅林.线性判别式分析在个人信用评估中的应用[J].管理科学,2003(01):53-55.[12] 姜明辉,王欢,王雅林.分类树在个人信用评估中的应用[J].商业研究,2003(21):86-88.[13] 石庆焱,靳云汇.多种个人信用评分模型在中国应用的比较研究[J].统计研究,2004(06):43-47.[14] 肖文兵,费奇.基于支持向量机的个人信用评估模型及最优参数选择研究[J].系统工程理论与实践,2006(10):73-79.[15] 郭春香,李旭升.贝叶斯网络个人信用评估模型[J].系统管理学报,2009,18(03):249-254+260.[16] 石庆焱.一个基于神经网络——Logistic回归的混合两阶段个人信用评分模型研究[J].统计研究,2005(05):45-49.[17] 姜明辉,谢行恒,王树林,温潇.个人信用评估的Logistic-RBF组合模型[J].哈尔滨工业大学学报,2007(07):1128-1130.[18] 姜明辉,袁绪川.个人信用评估GA-SVM模型的构建与应用[J].合肥工业大学