论文部分内容阅读
随着中国经济的快速发展,各种个人消费信贷业务的规模迅速扩大。但是,由于目前国内商业银行对零售业务的风险管理水平较低,管理手段与技术方法相对落后,没有形成有效的自动化的基于个人信用评分模型的风险管理体系,这严重阻碍了个人消费信贷业务的发展。因此,开发出一套能够有效降低个人信用风险的信用评分方法,对社会经济的发展具有十分重要的意义。本文建立的个人信用评分混合模型可以有效降低商业银行的个人信用风险,更好地实现银行利润最大化的目标。本文包含以下几方面的内容:第一章引言,指出问题的研究背景及意义,论述了个人信用评分系统在消费信贷风险控制过程中的重要性,概述了国内外信用评分的发展和现状,并对现有的理论研究成果加以总结。第二章详细介绍了三种分类方法用以建立信用评分模型,它们是Logistic回归,分类树和随机森林算法,本文选取的三种方法都很有代表性,其中Logistics回归是目前商业银行使用最广泛的参数统计方法,分类树则是使用最广泛的非参数方法,而随机森林算法是数据挖掘领域较为成功的算法。第三章研究个人信用评分模型的检验方法,如何判定一个模型的有效性,我们列举了三种理论界和实用界常用的方法。第四章用真实的信贷数据对第二章提出的三种分类方法进行实证分析,结果表明三种方法都可以有效的用于个人信用评分建模。第五章建立个人信用评分混合模型,首先由分类树方法获取特征变量之间的交互作用项,然后引入到Logistic回归模型中,从而建立完备的Logistic回归模型;随机森林算法给出每个特征变量的重要性,为特征变量的选取提供依据。本文的主要创新点在于:(1)将随机森林算法引入到个人信用评分建模中,并通过实证检验其预测能力;(2)建立个人信用评分混合模型,由分类树方法获取特征变量交互作用项,并引入到Logistic回归模型中,建立完备的回归方程。