發(fā)布時(shí)間：2021-06-28 07:06

　　隨著個(gè)人消費(fèi)信貸產(chǎn)業(yè)的蓬勃發(fā)展,許多金融機(jī)構(gòu)在追求利益的同時(shí)也伴隨著巨大的信用風(fēng)險(xiǎn),所以如何避免這些信用風(fēng)險(xiǎn)成為了銀行和信貸機(jī)構(gòu)面臨的急需解決的問(wèn)題。個(gè)人信用評(píng)分模型是利用統(tǒng)計(jì)分析方法和數(shù)據(jù)挖掘技術(shù)對(duì)個(gè)人基本信息數(shù)據(jù)進(jìn)行分析,將當(dāng)前的個(gè)人信息數(shù)據(jù)轉(zhuǎn)化為能夠表征將來(lái)某種信用風(fēng)險(xiǎn)的數(shù)值。早期的個(gè)人信用評(píng)分技術(shù)是基于基礎(chǔ)的統(tǒng)計(jì)學(xué)方法進(jìn)行研究,但是隨著機(jī)器學(xué)習(xí)的發(fā)展,越來(lái)越多的學(xué)者研究較為復(fù)雜的機(jī)器學(xué)習(xí)方法以及統(tǒng)計(jì)學(xué)方法與機(jī)器學(xué)習(xí)方法相結(jié)合的方法,但是如何評(píng)價(jià)眾多模型還沒(méi)有一致的結(jié)論。國(guó)外發(fā)達(dá)國(guó)家雖然已經(jīng)形成了較為完善的個(gè)人信用評(píng)價(jià)系統(tǒng),但是在中國(guó)不健全的個(gè)人征信體系下并不適用,因此構(gòu)建一個(gè)符合中國(guó)特色的個(gè)人征信體系十分必要。本文以中國(guó)某金融機(jī)構(gòu)的實(shí)際數(shù)據(jù)為例,詳細(xì)介紹了個(gè)人消費(fèi)信用評(píng)分模型的構(gòu)建過(guò)程與評(píng)價(jià)。首先根據(jù)數(shù)據(jù)的特點(diǎn),構(gòu)建了能夠充分體現(xiàn)數(shù)據(jù)特征的“RFMC”評(píng)價(jià)指標(biāo)體系,對(duì)數(shù)據(jù)進(jìn)行預(yù)處理之后,分別建立了三種不同類(lèi)型的單一模型:反映專(zhuān)家知識(shí)和經(jīng)驗(yàn)的主觀評(píng)價(jià)方法—模糊層次分析法,反映不同指標(biāo)數(shù)據(jù)之間差異的客觀評(píng)價(jià)方法—灰色綜合評(píng)價(jià),以及體現(xiàn)數(shù)據(jù)規(guī)律的Logistic回歸模型,并使用粒子群... 

【文章來(lái)源】：東北財(cái)經(jīng)大學(xué)遼寧省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１論文結(jié)構(gòu)框架圖??

本文選擇／Ｆ值大于０．１的變量，最終保留了?１２個(gè)變量，表４－１２為最終保??留的變量的／Ｋ值。??表４－１２?入模變量表??特征變量?值?＾??貸記卡數(shù)?０．６０１６??貸記卡消費(fèi)次數(shù)?０．２６９５??貸記卡消費(fèi)金額?０．２８９２??貸記卡最大單筆消費(fèi)?０．２６０８??貸記卡消費(fèi)次數(shù)穩(wěn)定性?０．２６９９??貸記卡消費(fèi)金額穩(wěn)定性?０．２６３１??借記卡消費(fèi)新近程度?０．１４２８??借記卡消費(fèi)次數(shù)?０．３１１６??借記卡消費(fèi)金額?０．４３８９??借記卡最大單筆消費(fèi)?０．４７６９??借記卡消費(fèi)次數(shù)穩(wěn)定性?０．２１６８???借記卡消費(fèi)金額穩(wěn)定性?０－２１６９???

Ｓｐｅｃｉｆｉｃｉｔｙ??圖５－１四種模型Ｒ０Ｃ曲線圖??圖５－１中給出了四種模型的Ｒ０Ｃ曲線，Ｒ０Ｃ曲線對(duì)模型的準(zhǔn)確性提供了視覺(jué)??印象，ＲＯＣ曲線越靠近左上角，性能越好，模型精度越高。從圖中可以看出，最??接近左上角的ＲＯＣ曲線足優(yōu)化后的組合模型，說(shuō)明該模型精度最高，其次是??Ｌｏｇｉｓｔｉｃ回歸，模型精度次之，模糊層次分析法的Ｒ０Ｃ曲線最靠近右下角，說(shuō)明??該模型精度最低，區(qū)分效果最不好。??由于ＲＯＣ曲線只能在視覺(jué)上比較，并不能很精確的得出哪種方法的性能遲??好，為了能更好地比較幾種模型的性能，本文計(jì)算出四種模型的ＲＯＣ曲線Ｋ方丨（！丨??積一ＡＵＣ值。模糊層次分析法的ＡＵＣ值為０．６３，灰色綜合評(píng)價(jià)的ＡＵＣ偵為０．７１，??Ｌｏｇｉｓｔｉｃ的ＡＵＣ值為０．７３

【參考文獻(xiàn)】：
期刊論文
[1]信用評(píng)價(jià)方法的多維最優(yōu)選擇策略[J]. 楊成榮,李戰(zhàn)江,史來(lái)銀.  統(tǒng)計(jì)與決策. 2018(21)
[2]基于SVM-Logistic組合模型的P2P借款者信用風(fēng)險(xiǎn)評(píng)估——以微貸網(wǎng)為例[J]. 都紅雯,盧孝偉.  生產(chǎn)力研究. 2018(10)
[3]基于人工智能的互聯(lián)網(wǎng)金融信用評(píng)分模型研究[J]. 王卓婭,王彬彬,劉源.  中國(guó)市場(chǎng). 2018(13)
[4]基于數(shù)據(jù)挖掘的信用卡申請(qǐng)客戶信用評(píng)價(jià)問(wèn)題研究[J]. 郭龍飛,嚴(yán)廣樂(lè).  經(jīng)濟(jì)研究導(dǎo)刊. 2018(05)
[5]一種基于改進(jìn)AHP的電信企業(yè)信用評(píng)分模型[J]. 李金柱,唐霞,余晨,彭依校.  通信技術(shù). 2017(11)
[6]正交支持向量機(jī)及其在信用評(píng)分中的應(yīng)用[J]. 韓璐,韓立巖.  管理工程學(xué)報(bào). 2017(02)
[7]個(gè)人信用評(píng)分模型比較數(shù)據(jù)挖掘分析[J]. 李卯.  時(shí)代金融. 2017(06)
[8]一種新的組合模型在信用評(píng)分中的應(yīng)用[J]. 趙朋飛,何曉群,王彥飛.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2016(05)
[9]基于RS-SVR的企業(yè)信用評(píng)分模型[J]. 陳云,楊曉雪,石松.  計(jì)算機(jī)應(yīng)用研究. 2016(11)
[10]個(gè)人信用風(fēng)險(xiǎn)評(píng)分的指標(biāo)選擇研究[J]. 黃秋彧,史小康.  新疆財(cái)經(jīng)大學(xué)學(xué)報(bào). 2015(03)



本文編號(hào)：3253862