基于支持向量機的個人信用評估研究.pdf

1、個人信用評估是信貸實務的重要組成部分。銀行通過分析借款人提交的貸款申請，評估申請者未來的違約風險，進而決定是否批準個人貸款申請，風險判別模型精度的高低直接影響銀行的信用風險。信用評估就是基于借款人的信用質量對客戶進行分類，相關技術方法國外研究已有60多年，整體上經歷了從統計學方法到非參數方法再到人工智能方法的發(fā)展過程，學者們一直都致力于尋找更加精準高效的評估方法。支持向量機(SVM)作為一種新型機器學習技術，是建立在統計學習原理上的常見

2、分類方法，在處理小樣本、非線性數據及高維模式識別等領域具有廣泛的應用，呈現出特有的優(yōu)勢。
　　本研究旨在構建個人信用評估的SVM模型，并對SVM模型建立過程中的變量選取、參數優(yōu)化等問題進行深入的探討，以獲得更高的預測精度。具體地，本文首先認真匯總了文獻中SVM分類模型的原理及算法，認識到傳統SVM模型中無法有效篩選預測指標的不足。以此為出發(fā)點，本文提出通過計算待選信用指標的信息價值判斷信用指標的重要程度，并將按照該方法篩選后的變量

3、輸入SVM模型。同時，文獻表明SVM模型中的核函數參數與懲罰因子的選擇對模型性能有至關重要的影響，本文將群智能優(yōu)化算法與支持向量機結合，分別采用了遺傳算法(GA)、粒子群算法(PSO)、灰狼算法(GWO)等三種群智能算法優(yōu)化SVM模型關鍵參數，分別構建了GA-SVM，PSO-SVM，GWO-SVM組合優(yōu)化個人信用評估模型。本文實證分析以真實的信貸數據為基礎，并通過Matlab軟件編程重點測算了考慮變量選取后的SVM模型及上述三個組合優(yōu)化