信用在實(shí)際生活中變得越來越重要,而互聯(lián)網(wǎng)金融的快速發(fā)展,使得國(guó)人快速進(jìn)入信用消費(fèi)的時(shí)代。銀行在審核借款人貸款申請(qǐng)時(shí),往往手續(xù)復(fù)雜,周期長(zhǎng),此外從銀行貸款的門檻較高。P2P網(wǎng)貸具有門檻低,審批流程簡(jiǎn)單、放貸周期短等優(yōu)點(diǎn),使其近些年來得到快速地發(fā)展。面對(duì)借款客戶的多樣性,為了控制風(fēng)險(xiǎn)就必需對(duì)個(gè)人信用風(fēng)險(xiǎn)進(jìn)行合理的評(píng)估。近年來人工智能已經(jīng)應(yīng)用到各行各業(yè)中,個(gè)人信用風(fēng)險(xiǎn)評(píng)估的方法也在不斷發(fā)展完善,大致從最開始的經(jīng)驗(yàn)判別法發(fā)展到統(tǒng)計(jì)方法再到如今的人工智能方法。支持向量機(jī)因其在處理小樣本、非線性數(shù)據(jù)的優(yōu)勢(shì)使得其在個(gè)人信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域得到了廣泛的應(yīng)用。本文研究?jī)?nèi)容是利用支持向量機(jī)模型進(jìn)行個(gè)人信用風(fēng)險(xiǎn)評(píng)估,主要包括個(gè)人信用風(fēng)險(xiǎn)指標(biāo)體系的建立和支持向量機(jī)模型的優(yōu)化研究。建立個(gè)人信用風(fēng)險(xiǎn)指標(biāo)體系時(shí),過多或過少的指標(biāo)都不利于模型的構(gòu)建。指標(biāo)過多會(huì)導(dǎo)致變量冗余,增加模型運(yùn)行的時(shí)間,甚至影響模型分類的準(zhǔn)確率;而指標(biāo)過少會(huì)使模型缺少足夠的變量用來分類,從而導(dǎo)致分類準(zhǔn)確率的降低。針對(duì)該問題,本文通過自變量的逐步回歸法來篩選指標(biāo),用篩選后的指標(biāo)作為支持向量機(jī)建模的輸入變量。從已有的文獻(xiàn)中可以看出懲罰因子和核函數(shù)參數(shù)對(duì)...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究動(dòng)態(tài)
        1.2.2 國(guó)內(nèi)研究動(dòng)態(tài)
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
第二章 支持向量機(jī)理論
    2.1 統(tǒng)計(jì)學(xué)習(xí)理論
        2.1.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則
        2.1.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則
    2.2 支持向量機(jī)
        2.3.1 線性問題
        2.3.2 核函數(shù)
        2.3.3 非線性問題
    2.3 本章小結(jié)
第三章 個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系和數(shù)據(jù)預(yù)處理
    3.1 個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系
        3.1.1 指標(biāo)選取原則
        3.1.2 個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)成
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)預(yù)處理
    3.3 指標(biāo)篩選
        3.3.1 逐步回歸法
        3.3.2 指標(biāo)篩選結(jié)果
    3.4 個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型的評(píng)價(jià)標(biāo)準(zhǔn)
    3.5 指標(biāo)篩選對(duì)支持向量機(jī)模型的影響
    3.6 本章小結(jié)
第四章 支持向量機(jī)優(yōu)化模型對(duì)P2P網(wǎng)貸數(shù)據(jù)的評(píng)估
    4.1 支持向量機(jī)優(yōu)化
        4.1.1 支持向量機(jī)優(yōu)化原理
        4.1.2 群智能算法
    4.2 四種智能算法優(yōu)化的SVM模型
        4.2.1 GA-SVM模型
        4.2.2 ACO-SVM模型
        4.2.3 PSO-SVM模型
        4.2.4 MFOA-SVM模型
    4.3 比較研究
        4.3.1 指標(biāo)篩選對(duì)模型的影響
        4.3.2 參數(shù)優(yōu)化效果
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄



本文編號(hào)：3864269