本文選題：信號(hào)噪音差 + 信用風(fēng)險(xiǎn)��； 參考：《浙江工商大學(xué)》2016年碩士論文

【摘要】：隨著中國經(jīng)濟(jì)的迅猛發(fā)展,居民消費(fèi)觀念的改變,以及信貸政策的積極支持,我國商業(yè)銀行個(gè)人信貸業(yè)務(wù)不斷發(fā)展,規(guī)模日益龐大。在這快速發(fā)展的過程中,信用交易的擴(kuò)大化導(dǎo)致銀行面臨的信用風(fēng)險(xiǎn)越來越復(fù)雜,商業(yè)銀行的信用風(fēng)險(xiǎn)管理成為風(fēng)險(xiǎn)管理體系中關(guān)鍵的一個(gè)部分。為了能夠增強(qiáng)商業(yè)銀行抵御風(fēng)險(xiǎn)的能力、降低其潛在的經(jīng)營損失,關(guān)于商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估和預(yù)測的話題越來越受到關(guān)注。本文在此背景之下,選擇商業(yè)銀行個(gè)人信用評(píng)估模型進(jìn)行研究,旨在探索商業(yè)銀行對(duì)個(gè)人信用風(fēng)險(xiǎn)的預(yù)測和評(píng)估方法�？茖W(xué)合理的評(píng)估方法不僅可以有效地降低商業(yè)銀行信貸評(píng)估的成本,減少潛在損失,而且對(duì)中國間接融資的規(guī)模擴(kuò)張和金融市場的健康持續(xù)發(fā)展都將產(chǎn)生積極影響,在理論和實(shí)際上都具有較大的意義。在對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估時(shí)多采用信用評(píng)分模型,即通過篩選有信息含量的個(gè)人特征指標(biāo),借助一定的分析方法進(jìn)行建模。其中,如何在客戶所提供的諸多個(gè)人特征變量中篩選出最有價(jià)值、信息含量最高的變量,如何對(duì)所選取的變量進(jìn)行科學(xué)合理的編碼分組,這些都成為商業(yè)銀行在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中所遇到的關(guān)鍵問題�；趯�(duì)此話題的濃厚興趣及其所體現(xiàn)的應(yīng)用價(jià)值,本文選取德國某銀行和澳大利亞某銀行的客戶數(shù)據(jù)作為樣本,借助SAS統(tǒng)計(jì)軟件,對(duì)不同方法下的個(gè)人信用風(fēng)險(xiǎn)評(píng)估和預(yù)測進(jìn)行研究。本文引入信號(hào)噪音差方法,將其與傳統(tǒng)T檢驗(yàn)方法做比較,通過實(shí)證進(jìn)行檢驗(yàn),從而體現(xiàn)信號(hào)噪音差方法在變量篩選方面的優(yōu)越性。此外,在對(duì)特征變量進(jìn)行編碼分組時(shí),本文提供了傳統(tǒng)的由多到少逐步合并和基于信號(hào)噪音差方法的由少到多逐步分組兩種不同的編碼方法,結(jié)合SAS程序?qū)嵶C檢驗(yàn)兩種方法的有效性,基于信號(hào)噪音差的編碼方式為商業(yè)銀行在信用風(fēng)險(xiǎn)評(píng)估變量編碼問題上提供了又一種值得借鑒的方法。在信用評(píng)估模型的構(gòu)建方面,本文采用基于Logistic回歸分析的信用評(píng)分模型和基于修正的樸素貝葉斯分類法的違約概率預(yù)測模型。通過實(shí)證檢驗(yàn)出對(duì)于德國某銀行和澳大利亞某銀行兩個(gè)樣本,在運(yùn)用Logistic回歸分析所構(gòu)建的模型中,基于信號(hào)噪音差的編碼方式與基于傳統(tǒng)編碼方式所構(gòu)建的模型具有基本相同的預(yù)測精度。并且總體來看,運(yùn)用Logistic回歸分析所構(gòu)建的模型比運(yùn)用修正的樸素貝葉斯分類法構(gòu)建的模型具有更高的預(yù)測準(zhǔn)確率。這說明信號(hào)噪音差方法在變量的篩選和編碼方面具有很高的參考和運(yùn)用價(jià)值,而且運(yùn)用Logistic回歸分析方法構(gòu)建信用評(píng)分模型是一個(gè)較優(yōu)的選擇,同時(shí)修正的樸素貝葉斯分類法由于簡單方便等優(yōu)點(diǎn)也是一種可以借鑒的方法。
[Abstract]:With the rapid development of Chinese economy, the change of residents' consumption concept and the active support of credit policy, the personal credit business of Chinese commercial banks is developing continuously and the scale is increasing. In the process of rapid development, the expansion of credit transaction leads to more and more complex credit risk faced by banks. The credit risk management of commercial banks becomes a key part of the risk management system. In order to enhance the ability of commercial banks to resist risks and reduce their potential business losses, the topic of personal credit risk assessment and prediction of commercial banks has been paid more and more attention. Under this background, this paper chooses the commercial bank personal credit evaluation model to carry on the research, in order to explore the commercial bank to the personal credit risk forecast and the appraisal method. Scientific and reasonable evaluation methods can not only effectively reduce the cost of credit assessment of commercial banks and reduce potential losses, but also have a positive impact on the scale expansion of indirect financing in China and the healthy and sustainable development of financial markets. Both in theory and in practice have great significance. In the assessment of personal credit risk, credit scoring model is often used, that is, by screening the individual characteristic index with information content, and by means of certain analytical method, the model is established. Among them, how to select the most valuable and most informative variables among the many personal characteristic variables provided by customers, and how to code the selected variables scientifically and rationally. These are the key problems that commercial banks encounter in personal credit risk assessment. Based on the strong interest in this topic and its application value, this paper selects the customer data of a bank in Germany and a bank in Australia as a sample, with the help of SAS statistical software. The evaluation and prediction of personal credit risk under different methods are studied. In this paper, the signal noise difference method is introduced and compared with the traditional T test method, and then the signal noise difference method is proved to be superior to the traditional T test method in the selection of variables. In addition, in the coding block of feature variables, this paper provides two different coding methods, one is from more to more progressive grouping, the other is based on signal noise difference method. Combining with the SAS program to test the validity of the two methods, the coding method based on the signal noise difference provides another method for commercial banks to use for reference in the problem of credit risk assessment variable coding. In the construction of credit evaluation model, the credit scoring model based on Logistic regression analysis and the prediction model of default probability based on modified naive Bayes classification are adopted in this paper. Through the empirical test, two samples of a bank in Germany and a bank in Australia are tested in the model constructed by using Logistic regression analysis. The coding method based on signal noise difference has the same prediction precision as the model based on traditional coding method. In general, the model constructed by Logistic regression analysis has higher prediction accuracy than that constructed by modified naive Bayes classification. This shows that the method of signal noise difference has a high reference and application value in the selection and coding of variables, and it is a better choice to construct credit rating model by using Logistic regression analysis method. At the same time, the modified naive Bayesian classification is also a useful method for reference because of its simplicity and convenience.
【學(xué)位授予單位】：浙江工商大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F832.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;我國個(gè)人信用評(píng)估體系年內(nèi)啟動(dòng)[J];黑龍江財(cái)會(huì);2002年04期

2 陳玲;從消費(fèi)信貸看我國個(gè)人信用評(píng)估系統(tǒng)的建設(shè)[J];蕪湖職業(yè)技術(shù)學(xué)院學(xué)報(bào);2002年04期

3 崔金朝;我國個(gè)人信用評(píng)估體系探析[J];邢臺(tái)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2004年04期

4 何金旗;推進(jìn)個(gè)人信用制度的關(guān)鍵:個(gè)人信用評(píng)估體系的建立[J];經(jīng)濟(jì)師;2004年09期

5 陳高云;個(gè)人信用評(píng)估:請(qǐng)你閃亮登場[J];海南金融;2000年10期

6 王軍;消費(fèi)信貸中個(gè)人信用評(píng)估指標(biāo)的設(shè)立[J];農(nóng)村金融研究;2001年10期

7 祝蘭放;淺議建立個(gè)人信用評(píng)估制度[J];中國農(nóng)業(yè)銀行武漢管理干部學(xué)院學(xué)報(bào);2001年02期

8 戴家忠;關(guān)于建立個(gè)人信用評(píng)估體系問題探析[J];金融縱橫;2002年11期

9 ;個(gè)人信用評(píng)估體系年內(nèi)啟動(dòng)[J];政工研究動(dòng)態(tài);2002年14期

10 鄭建平;個(gè)人信用評(píng)估系統(tǒng)及系統(tǒng)模型[J];經(jīng)濟(jì)與管理研究;2002年02期

相關(guān)會(huì)議論文 前5條

1 韓正波;;銀行個(gè)人信用評(píng)估方法研究綜述[A];第三屆全國軟件測試會(huì)議與移動(dòng)計(jì)算、柵格、智能化高級(jí)論壇論文集[C];2009年

2 邢立寧;;基于神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估模型[A];管理科學(xué)與系統(tǒng)科學(xué)研究新進(jìn)展——第7屆全國青年管理科學(xué)與系統(tǒng)科學(xué)學(xué)術(shù)會(huì)議論文集[C];2003年

3 姜明輝;解曉璐;;Logistic回歸與線性回歸組合模型及在個(gè)人信用評(píng)估中的應(yīng)用[A];科學(xué)發(fā)展觀與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會(huì)第十四屆學(xué)術(shù)年會(huì)論文集[C];2006年

4 姜明輝;袁緒川;;基于后驗(yàn)概率的個(gè)人信用評(píng)估SVM模型[A];第四屆中國軟件工程大會(huì)論文集[C];2007年

5 姜明輝;袁緒川;;基于GA優(yōu)化的個(gè)人信用評(píng)估SVM模型[A];第二十六屆中國控制會(huì)議論文集[C];2007年

相關(guān)重要報(bào)紙文章 前10條

1 邰光和 馬勇;個(gè)人信用評(píng)估體系的構(gòu)建[N];安徽日?qǐng)?bào);2003年

2 李靜;保險(xiǎn)業(yè)應(yīng)建立個(gè)人信用評(píng)估體系[N];中國保險(xiǎn)報(bào);2010年

3 潘登;個(gè)人信用評(píng)估宜全面綜合考量[N];中國城鄉(xiāng)金融報(bào);2006年

4 陳高云;個(gè)人信用評(píng)估閃亮登場[N];市場報(bào);2000年

5 本報(bào)記者 王建新;個(gè)人信用評(píng)估，一路走好[N];市場報(bào);2003年

6 金融電子化;申辦貸記卡：個(gè)人信用評(píng)估宜綜合考量[N];中國城鄉(xiāng)金融報(bào);2006年

7 本報(bào)記者 范曉曼;個(gè)人信用評(píng)估體系年內(nèi)啟動(dòng)[N];華夏時(shí)報(bào);2002年

8 本報(bào)記者 馬守敏　本報(bào)實(shí)習(xí)生 白瑞雪 董霞;政府能否給公民信用打分[N];人民法院報(bào);2010年

9 周軍 顧水根;新疆分行推廣信用卡個(gè)人信用評(píng)估系統(tǒng)[N];中國城鄉(xiāng)金融報(bào);2004年

10 木 魯;美國經(jīng)濟(jì)建立在信用基礎(chǔ)上[N];中國國門時(shí)報(bào);2004年

相關(guān)博士學(xué)位論文 前1條

1 姜明輝;商業(yè)銀行個(gè)人信用評(píng)估組合預(yù)測方法研究[D];哈爾濱工業(yè)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 馮金龍;商業(yè)銀行個(gè)人信用評(píng)估模型研究[D];西北農(nóng)林科技大學(xué);2016年

2 邵笑笑;個(gè)人信用評(píng)估集成模型研究[D];南京信息工程大學(xué);2016年

3 王貝;基于信號(hào)噪音差的個(gè)人信用評(píng)估模型研究[D];浙江工商大學(xué);2016年

4 張釗;基于支持向量機(jī)的個(gè)人信用評(píng)估模型與算法的研究[D];首都師范大學(xué);2008年

5 王璐;關(guān)于我國個(gè)人信用評(píng)估若干問題的研究[D];國防科學(xué)技術(shù)大學(xué);2004年

6 姜金明;我國個(gè)人信用評(píng)估研究[D];廣東工業(yè)大學(xué);2006年

7 陳燕燕;分類回歸樹及其在個(gè)人信用評(píng)估中的應(yīng)用[D];中南大學(xué);2007年

8 肖莉;銀行個(gè)人信用評(píng)估研究[D];南京信息工程大學(xué);2008年

9 李文娟;基于粗糙集—支持向量機(jī)的個(gè)人信用評(píng)估[D];重慶大學(xué);2011年

10 王遠(yuǎn)慶;基于數(shù)據(jù)挖掘技術(shù)的個(gè)人信用評(píng)估模型研究[D];西南財(cái)經(jīng)大學(xué);2009年

，

本文編號(hào)：1944818