商业银行的核心业务即是经营风险,而信用风险被银行业视为最主要的风险之一,信用风险评级技术密切影响着银行业的发展。在新的国际形势下,提出新的信用风险量化方法、技术及模型显得尤为重要。支持向量机算法是一个凸优化问题,能够较好的解决小样本、非线性、高维数等实际问题,在回归估计预测、人脸识别以及分类等方而都有良好的应用前景。在信用评级这一领域,传统的信用评级模型均为参数模型,对数据要求比较严格,满足条件的理想数据很是匮乏。支持向量机方法可以克服传统统计方法的限制,适合于小样本预测与回归,比较适合用于银行对贷款客户进行快速的信用评价。本文首先概述Logit回归及支持向量机的基本理论与推导,重点介绍了支持向量机的分类算法。传统的Logit模型应用广泛,但该模型采用0.5为两分类分界点,在分类边界附近的模糊区间往往存在误判,将SVM分类算法引入,用组合算法来提高模糊边界的分类准确率。而后,本文应用上市公司财务数据,对改进模型进行了验证,实验表明改进模型具有更好的分类效果。在提出改进模型时,本文有以下创新点：①变量选用主成分分析得到的优化综合指标,指标涵盖的信息量更全面；②将参数模型Logit模型引入二次项,提高模型的预测精度；③提出改进的Logit模型与SVM的组合模型,提高模型的预测效果；④提出改进的多分类算法。在文章的最后部分,对全文简短总结,并指出了可进一步研究及改进的内容。