论文部分内容阅读
随着我国经济的中高速增长,信用贷款市场规模不断扩大。但是,由于我国的个人信征体系不完善,银行等放贷方尚不能全面了解借款人的信用信息,并且个人贷款不能用企业贷款的方法来进行风险管理。因此,基于个人信用的统计数据,研究个人贷款信用风险的评估方法具有重要的应用价值。因为借款人的信用风险评估问题可转化为借款人是否违约的二分类问题,所以结合经典的统计学习分类方法——支持向量机,构建了基于异类类内超平面的模糊支持向量机(fuzzy support vector machine based on the heterogeneous class hyperplane,DHFSVM),运用于个人贷款信用风险评估。实验结果表明该方法可以较好地解决个人贷款信用风险评估问题。主要内容如下:(1)首先,通过分析个人贷款信用风险评估的影响因素,以及指标体系构建原则,确立了个人指标、经济指标与信用指标3个一级指标,并选择了年龄、信贷数量、负债率以及月收入等10个二级指标构建了个人贷款信用风险评估指标体系。其次,运用信息价值(information value,IV)模型计算信贷数据特征的IV值,对各特征的重要性进行分析。结果表明:可用额度比值、逾期30-59天次数、逾期90天及以上次数以及逾期60-89天次数的IV值均大于0.3,这说明它们对借款人的信用风险评估影响较大。(2)首先,结合模糊数学理论,设计了一种基于异类类内超平面的隶属函数,该隶属函数可以赋予不同样本不同权重。其次,结合传统支持向量机和基于异类类内超平面的隶属函数,构建了基于异类类内超平面的模糊支持向量机。最后,结合Kaggle数据集和个人贷款信用风险评估问题,通过第一类和第二类分类错误率以及其它评估指标,进行对比实验。结果表明:基于异类类内超平面的模糊支持向量机可以有效的提高借款人的信用风险评估精度,这表明了该方法的有效性和可行性。本文给出了一种改进的统计学习方法,不仅丰富了支持向量机的理论与应用研究,也可个人贷款信用风险评估问题提供了借鉴。