基于SVM和PSO的信用評(píng)級(jí)模型研究.pdf

1、信用風(fēng)險(xiǎn)已經(jīng)是商業(yè)銀行所面臨的重要風(fēng)險(xiǎn)之一，特別是在在信用卡、住房按揭、汽車貸款等信貸業(yè)務(wù)中，如何有效進(jìn)行信用風(fēng)險(xiǎn)管理已經(jīng)成為了銀行亟需解決的問題。而合適的信用評(píng)級(jí)方法是有效降低信用風(fēng)險(xiǎn)的有效途徑之一。
　　 目前在信用評(píng)級(jí)領(lǐng)域，已有很多學(xué)者做出了探索和研究，利用統(tǒng)計(jì)學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和人工智能的方法而構(gòu)建的信用評(píng)級(jí)模型都被相繼提出。信用評(píng)級(jí)模型的精度會(huì)關(guān)系到銀行一些重要決策的做出，為此，本文也對(duì)如何提高模型精度進(jìn)行了深入

2、研究。支持向量機(jī)(SVM)自提出以來已經(jīng)得到了迅速的發(fā)展，廣泛應(yīng)用于多個(gè)領(lǐng)域，本文將SVM應(yīng)用到信用評(píng)級(jí)領(lǐng)域。但是利用SVM訓(xùn)練模型，有核函數(shù)參數(shù)優(yōu)化和樣本特征選擇這兩個(gè)難點(diǎn)。對(duì)于這兩個(gè)問題的解決，論文引入粒子群算法(PSO)，PSO作為一種群體智能算法，在復(fù)雜問題的尋優(yōu)方面具有明顯的優(yōu)勢(shì)。將其與SVM結(jié)合構(gòu)建混合信用評(píng)級(jí)模型可以明顯提模型的分類精度。為了進(jìn)一步提高模型分類的準(zhǔn)確率，論文在此研究基礎(chǔ)之上，一方面提出構(gòu)造新的混合核函數(shù)代替

3、常用的RBF核函數(shù);另一方面，在保留PSO原有優(yōu)勢(shì)的基礎(chǔ)之上，加入混沌機(jī)制，增強(qiáng)粒子空間搜索能力。本文的主要研究?jī)?nèi)容如下:
　　 (1)對(duì)SVM中參數(shù)優(yōu)化和特征選擇問題進(jìn)行了研究，并重點(diǎn)對(duì)RBF核函數(shù)的SVM中關(guān)鍵參數(shù)C，γ進(jìn)行了分析，說明其對(duì)SVM性能的影響。
　　 (2)將單核的SVM與基本PSO相結(jié)合，構(gòu)建混合的信用評(píng)級(jí)模型:SVM-PSO。并將該模型的分類效果與目前常用的模型進(jìn)行對(duì)比分析。
　　 (3)對(duì)

4、SVM中的核函數(shù)進(jìn)行了重點(diǎn)分析，在常用單核核函數(shù)的基礎(chǔ)之上提出混合核函數(shù)，將局部核函數(shù)和全局核函數(shù)結(jié)合起來，使遠(yuǎn)距離和近距離的數(shù)據(jù)樣本點(diǎn)都能對(duì)核函數(shù)的值產(chǎn)生影響。
　　 (4)在對(duì)基本PSO研究的基礎(chǔ)上，引入混沌機(jī)制，提出混沌粒子群算法，克服基本粒子群算法過早陷入局部最優(yōu)的缺點(diǎn)，改善算法的尋優(yōu)能力。并利用優(yōu)化的粒子群算法同時(shí)進(jìn)行特征選擇和參數(shù)優(yōu)化，降低模型計(jì)算復(fù)雜度。
　　 (5)在SVM-PSO信用評(píng)級(jí)模型的基礎(chǔ)之上，