论文部分内容阅读
本文将建立个人信用评估的量化模型。针对个人信用评估问题,我们探讨了模型建立与实现过程中的一些问题。模型建立前的数据预处理是提高模型效果必不可少的环节,通过计算各个评估指标变量的优势率进行了一元探索性数据分析并识别指标变量与信用类别变量之间的关联性,然后利用这种关联性选取个人信用评估指标,结果显示它能使标准C-SVM的分类正确率提高2.1139个百分点;另外,采用主成分分析法选取指标,发现后者提高的幅度要稍微好一些,达3.2362个百分点,但两者提高的幅度均不是很大。为了进一步提高分类效果,采用KNN法对样本集中的异常数据进行了清洗,发现经过清沈后标准C-SVM的分类正确率有很大幅度的提高,达7.92135个百分点。在数据预处理的基础上,我们分别采用BP神经网络、小波神经网络和支持向量分类机方法建立个人信用评估的分类模型,并测试了它们在数据预处理各个阶段的分类效果,从实验结果来看,支持向量分类机的效果均是最优的,而且它还能很好地处理两类误分代价不同的情况,具有很好的灵活性。在所建立的支持向量分类机模型的基础上,采用保序回归的方法求出违约概率并将其转换成信用分数,这为我们提供了计算个人信用分数的另一种途径,而信用分数是确定信贷政策的一个十分重要的依据。最后,将所建立的模型实现为一个可操作的原型系统——个人信用评估系统。该系统为两层C/S结构,Windows界面。除了C-SVM算法作为核心算法外,数据预处理的各种算法也会作为辅助算法提高系统的评估效果。