基于集成化的個(gè)人信用評(píng)分模型研究.pdf

1、進(jìn)入90年代后，隨著我國(guó)銀行個(gè)人信貸業(yè)務(wù)的迅速發(fā)展，信用風(fēng)險(xiǎn)問題也逐步凸顯，而個(gè)人信用評(píng)分模型正是銀行信貸風(fēng)險(xiǎn)管理的先進(jìn)手段。傳統(tǒng)的統(tǒng)計(jì)學(xué)方法，比如Logistic回歸方法、線性判別分析等，在個(gè)人信用評(píng)分模型建立的問題中已經(jīng)有了比較成熟的應(yīng)用，但該類方法在評(píng)分模型的預(yù)測(cè)準(zhǔn)確度和模型的泛化能力上有一定的局限性，而新興的各種計(jì)算智能方法可以提高預(yù)測(cè)準(zhǔn)確度和模型泛化能力。其中，支撐向量機(jī)（support vector machine）在個(gè)人信

2、用評(píng)分領(lǐng)域有著比較廣泛的研究。
　　 我們將粗糙集理論與支撐向量機(jī)這兩種方法結(jié)合起來，組成混合分類器，建立個(gè)人信用評(píng)分模型。首先，我們通過基于遺傳算法的粗糙集理論刪除數(shù)據(jù)中的冗余屬性和沖突對(duì)象，但不損失有效信息；然后，基于SVM方法進(jìn)行分類和預(yù)測(cè)，提高了模型預(yù)測(cè)能力，再結(jié)合專家打分方法對(duì)模型做一定拓展，使評(píng)分模型在實(shí)際運(yùn)用中更加準(zhǔn)確合理。我們選用UCI中的德國(guó)信用數(shù)據(jù)集做實(shí)證研究，結(jié)果是我們創(chuàng)建的模型分類性能良好，并且降低了SV