

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、個(gè)人信用是集體信用和國(guó)家信用的基礎(chǔ),代表一個(gè)人遵守約定的程度,影響著社會(huì)和他人對(duì)其的信任度。建立個(gè)人信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)能在一定程度上降低銀行的信貸風(fēng)險(xiǎn),提高銀行市場(chǎng)競(jìng)爭(zhēng)力。在我國(guó),個(gè)人信用制度的建立是從2000年起步,典型方法要求申請(qǐng)人填寫一個(gè)表格,根據(jù)預(yù)定義的計(jì)分表評(píng)分每個(gè)指標(biāo),銀行直接確定是否接受申請(qǐng)人的請(qǐng)求。得分表中每一項(xiàng)的分?jǐn)?shù)僅根據(jù)專家的主觀經(jīng)驗(yàn)給出,因此并不是那么的公平可靠。此外,若要修改某條評(píng)分條件再調(diào)整得分表是很麻煩的。因此
2、,銀行要降低信貸風(fēng)險(xiǎn)、發(fā)展個(gè)人信貸業(yè)務(wù),必須科學(xué)而有效的對(duì)個(gè)人信用風(fēng)險(xiǎn)狀況進(jìn)行評(píng)估。
本文所完成的主要工作如下:
利用統(tǒng)計(jì)模型(C4.5決策樹、樸素貝葉斯)和非統(tǒng)計(jì)模型(SVM和BP神經(jīng)網(wǎng)絡(luò))建立個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型,對(duì)它們進(jìn)行比較分析,在三個(gè)UCI數(shù)據(jù)集上采用分類準(zhǔn)確率、模型穩(wěn)定性和可解釋性三個(gè)指標(biāo)來評(píng)價(jià)幾個(gè)模型的分類效果。實(shí)驗(yàn)結(jié)果表明:SVM模型的總分類精度最高(82.65%),第二類錯(cuò)誤率最低(14%),但其穩(wěn)
3、定性最差;BP神經(jīng)網(wǎng)絡(luò)模型除了穩(wěn)定性略優(yōu)于SVM,其余的性能均比SVM差;樸素貝葉斯模型的平均總精度變化最小(3.7%),穩(wěn)定性最佳,但分類精度最低,第二類錯(cuò)誤率最高;C4.5模型在分類精度和穩(wěn)定性上的表現(xiàn)都不是最出色,對(duì)于可解釋性來說,統(tǒng)計(jì)模型占有絕對(duì)的優(yōu)勢(shì)。綜上所述,現(xiàn)有的信用風(fēng)險(xiǎn)評(píng)估模型都各有特點(diǎn),但沒有任何一種模型能讓各個(gè)統(tǒng)計(jì)量都達(dá)到較高的水平。
利用集成思想在三個(gè)信用數(shù)據(jù)集上構(gòu)建了同態(tài)并行結(jié)構(gòu)集成模型(bagging
4、集成和boosting集成)和異態(tài)并行結(jié)構(gòu)集成模型。實(shí)驗(yàn)表明使用集成思想能有效提高單一分類模型分類精度和穩(wěn)定性。對(duì)于同態(tài)集成算法,使用bagging集成后模型的分類精度高于boosting集成;使用bagging集成和boosting集成模型兩者穩(wěn)定性效果相當(dāng);使用boosting集成后模型第二類錯(cuò)誤率比使用bagging集成低。對(duì)于異態(tài)集成算法,調(diào)參前使用集成模型比單一模型的分類精度高4%,調(diào)參后集成模型相比于單一模型分類精度提高了2
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于大數(shù)據(jù)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型研究.pdf
- 數(shù)據(jù)挖掘組合模型在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用.pdf
- 基于數(shù)據(jù)挖掘技術(shù)的個(gè)人信用評(píng)估模型研究.pdf
- 基于數(shù)據(jù)挖掘技術(shù)的個(gè)人信用評(píng)估模型.pdf
- 基于數(shù)據(jù)挖掘技術(shù)的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型及其應(yīng)用.pdf
- 個(gè)人信用評(píng)估集成模型研究.pdf
- 基于數(shù)據(jù)挖掘的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估體系研究.pdf
- 基于數(shù)據(jù)挖掘的個(gè)人信用評(píng)分模型研究.pdf
- 基于數(shù)據(jù)挖掘的信用風(fēng)險(xiǎn)度量模型研究.pdf
- 基于數(shù)據(jù)挖掘的個(gè)人信用評(píng)分模型開發(fā).pdf
- 基于數(shù)據(jù)挖掘技術(shù)的金融系統(tǒng)個(gè)人信用評(píng)估模型研究與實(shí)現(xiàn).pdf
- 16254.基于bp神經(jīng)網(wǎng)絡(luò)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型的研究
- 基于隨機(jī)森林的個(gè)人信用風(fēng)險(xiǎn)評(píng)估
- 基于神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型的研究.pdf
- 基于組合預(yù)測(cè)模型的銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估體系應(yīng)用研究.pdf
- 數(shù)據(jù)挖掘在商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用.pdf
- 數(shù)據(jù)挖掘在P2P個(gè)人信用風(fēng)險(xiǎn)模型中的應(yīng)用研究.pdf
- 基于RF-ANFIS的供應(yīng)鏈金融個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型研究.pdf
- 個(gè)人信用評(píng)估模型研究.pdf
- 基于Probit回歸的個(gè)人信用評(píng)估模型研究.pdf
評(píng)論
0/150
提交評(píng)論