进入90年代后,随着我国银行个人信贷业务的迅速发展,信用风险问题也逐步凸显,而个人信用评分模型正是银行信贷风险管理的先进手段。传统的统计学方法,比如Logistic回归方法、线性判别分析等,在个人信用评分模型建立的问题中已经有了比较成熟的应用,但该类方法在评分模型的预测准确度和模型的泛化能力上有一定的局限性,而新兴的各种计算智能方法可以提高预测准确度和模型泛化能力。其中,支撑向量机(support vector machine)在个人信用评分领域有着比较广泛的研究。我们将粗糙集理论与支撑向量机这两种方法结合起来,组成混合分类器,建立个人信用评分模型。首先,我们通过基于遗传算法的粗糙集理论删除数据中的冗余属性和冲突对象,但不损失有效信息;然后,基于SVM方法进行分类和预测,提高了模型预测能力,再结合专家打分方法对模型做一定拓展,使评分模型在实际运用中更加准确合理。我们选用UCI中的德国信用数据集做实证研究,结果是我们创建的模型分类性能良好,并且降低了SVM分类过程的复杂度,一定程度上避免了训练模型的过拟合现象,提高了个人评分模型的效率。最后通过实证比较分析,也证明了我们建立的混合分类器模型,与比其他评分方法相比,分类性能更好,模型复杂度更低,模型效率更高。