本文關(guān)鍵詞：基于RF和APSOLSSVM的兩階段信用評(píng)估研究

  更多相關(guān)文章： 信用風(fēng)險(xiǎn) 信用評(píng)估 隨機(jī)森林 分類

【摘要】：在互聯(lián)網(wǎng)飛速發(fā)展的信息時(shí)代,我們的衣食住行等生活的諸多方面都發(fā)生了翻天覆地的變化,尤其是移動(dòng)互聯(lián)網(wǎng)與金融的結(jié)合,正悄然改變著人們的消費(fèi)習(xí)慣,拉動(dòng)了國內(nèi)的居民消費(fèi)浪潮。在互聯(lián)網(wǎng)金融對(duì)消費(fèi)的刺激作用下,人們?cè)絹碓揭蕾囆庞媒灰椎姆绞竭M(jìn)行消費(fèi)。目前信用消費(fèi)的規(guī)模正飛速增長(zhǎng),但信用消費(fèi)在拉動(dòng)經(jīng)濟(jì)的同時(shí)也帶了諸多問題,由于我國缺乏較為公正的第三方信用評(píng)級(jí)體系,商業(yè)銀行各自的客戶信用信息不被共享,因此我國的個(gè)人征信系統(tǒng)還不完善,相應(yīng)的缺乏比較全面的信息來衡量每個(gè)人的違約風(fēng)險(xiǎn),另外,在風(fēng)險(xiǎn)的控制和管理上也存在明顯不足,沒有一套科學(xué)有效的信用評(píng)估體系,此外,授信額度的判定也尚未有一個(gè)明確的解決辦法。而在信用交易規(guī)模的趨勢(shì)日益擴(kuò)大的今天,對(duì)個(gè)人信用評(píng)估的重要性和準(zhǔn)確度的要求都越來越高,對(duì)評(píng)估方法的改進(jìn)也顯得尤為重要。建立一個(gè)全國共享的個(gè)人信用信息基礎(chǔ)數(shù)據(jù)庫勢(shì)在必行,目前已經(jīng)由中國人民銀行牽頭,建設(shè)一個(gè)全民社會(huì)征信制度和體系,來約束人們遵紀(jì)守法,提高誠實(shí)守信的意識(shí)。由此可見,對(duì)個(gè)人信用進(jìn)行合理的預(yù)測(cè)和評(píng)估,一方面對(duì)商業(yè)銀行的信用風(fēng)險(xiǎn)管理體系有一定的借鑒作用,促進(jìn)銀行等金融機(jī)構(gòu)授信業(yè)務(wù)的穩(wěn)健發(fā)展,另一方面可以在一定程度上防范金融風(fēng)險(xiǎn),盡量規(guī)避客戶的違約風(fēng)險(xiǎn),收益性與安全性統(tǒng)籌兼顧。學(xué)術(shù)研究方面,國內(nèi)外學(xué)者從定性和定量的角度對(duì)個(gè)人信用評(píng)估也進(jìn)行了一系列的研究,涉及到計(jì)量學(xué)、統(tǒng)計(jì)學(xué)、人工智能和機(jī)器學(xué)習(xí)等多個(gè)領(lǐng)域,但目前為止尚未形成一種穩(wěn)健、可靠、通用的個(gè)人信用評(píng)估模型及體系。而我國商業(yè)銀行等信貸機(jī)構(gòu)在個(gè)人信用評(píng)估的實(shí)際操作中,與國外尚有一定的差距,手段方法及技術(shù)比較落后：一方面主觀因素較大；另一方面人工操作,效率較低。因此本文以個(gè)人信用評(píng)估方法為研究中心,結(jié)合國內(nèi)外的研究及現(xiàn)實(shí)數(shù)據(jù),試圖構(gòu)建一種新的個(gè)人信用評(píng)估方法,即將隨機(jī)森林算法(Random Forest, RF).自適應(yīng)粒子群優(yōu)化算法(Adaptive Particle Swarm Optimization,APSO)和最小二乘支持向量機(jī)算法(Least Squares Support Vector Machine, LSSVM)結(jié)合起來,研究了新的組合模型的信用評(píng)估效果,其中利用了隨機(jī)森林算法的特征向量的重要性估計(jì)做了特征選擇,研究了刪減重要性程度低的特征變量對(duì)模型分類性能的影響,以推動(dòng)個(gè)人信用評(píng)估研究的深入,同時(shí)為商業(yè)銀行提供一種可參考的信用評(píng)估方法。本文以個(gè)人信用評(píng)估方法為研究對(duì)象,引入了隨機(jī)森林算法、自適應(yīng)粒子群優(yōu)化算法和最小二乘支持向量機(jī)算法。個(gè)人信用評(píng)估實(shí)質(zhì)上可以看作是一個(gè)分類問題,即將總體客戶劃分為好客戶(不違約客戶)和壞客戶(違約客戶),因此個(gè)人信用評(píng)估屬于模式識(shí)別的研究范圍。通過選取樣本數(shù)據(jù),并進(jìn)行數(shù)據(jù)的預(yù)處理,最后構(gòu)建了RF和APSOLSSVM的兩階段信用評(píng)估模型,并在實(shí)證中進(jìn)行了比較分析。為了實(shí)現(xiàn)研究目標(biāo),本文章節(jié)安排如下：第一章,引言。該章節(jié)介紹本文的選題背景和意義,研究方法、思路和章節(jié)安排。闡述目前我國信用消費(fèi)的發(fā)展趨勢(shì),并指出研究個(gè)人信用評(píng)估的重要意義,總結(jié)了本文進(jìn)行研究所用到的研究方法和內(nèi)容框架。第二章,個(gè)人信用評(píng)估及其現(xiàn)狀研究。理論部分的研究包括個(gè)人信用評(píng)估的理論基礎(chǔ),國內(nèi)外已被研究應(yīng)用于信用評(píng)估模型的算法理論概括,是本文的理論基礎(chǔ)。本章節(jié)通過研究個(gè)人信用相關(guān)的基礎(chǔ)理論和國內(nèi)外算法的研究現(xiàn)狀,對(duì)國內(nèi)外個(gè)人信用評(píng)估的研究成果進(jìn)行梳理,將本文涉及到的個(gè)人信用評(píng)估算法分三類進(jìn)行介紹。第三章,RF-LSSVM的算法構(gòu)建。本章主要講解RF和LSSVM算法的基本原理,以及每個(gè)算法各自的特征分析,最后闡述了RF-LSSVM算法如何運(yùn)用于信用評(píng)估的分類問題,算法可行的基本原理和構(gòu)建組合方法的具體實(shí)現(xiàn)步驟。第四章,信用數(shù)據(jù)集介紹及實(shí)驗(yàn)前準(zhǔn)備工作。介紹實(shí)驗(yàn)中涉及的4個(gè)信用數(shù)據(jù)集的樣本信息,以及實(shí)驗(yàn)前數(shù)據(jù)預(yù)處理,闡明算法的參數(shù)設(shè)置和模型評(píng)估的標(biāo)準(zhǔn)。第五章,RF-LSSVM算法在個(gè)人信用評(píng)估中的應(yīng)用。實(shí)證研究部分是將新建立的模型應(yīng)用于信用數(shù)據(jù)集,通過模型之間的比較和數(shù)據(jù)集上的實(shí)證結(jié)果分析,來檢驗(yàn)新方法的可適用程度。第六章,結(jié)論與展望。最后結(jié)論和展望部分,總結(jié)概括全文,分析不足之處以及未來可發(fā)展的方向。本文在總結(jié)國內(nèi)外個(gè)人信用評(píng)估模型的基礎(chǔ)上,提出了一種新的組合模型：RF-APSOLSSVM模型,在對(duì)模型進(jìn)行實(shí)證檢驗(yàn)時(shí),選取了UCI機(jī)器學(xué)習(xí)公開的德國信用數(shù)據(jù)集,澳大利亞真實(shí)信用數(shù)據(jù)集和國外研究者提供的英國信用數(shù)據(jù)集、波蘭信用數(shù)據(jù)集。在實(shí)驗(yàn)前,這些信用數(shù)據(jù)集都經(jīng)過了填補(bǔ)缺失值、指標(biāo)賦值、歸一化等一系列的數(shù)據(jù)預(yù)處理。同時(shí),本文共選取了8個(gè)比較有代表性的信用評(píng)估模型,分別在上述這四個(gè)信用數(shù)據(jù)集上建模,與本文提出的組合分類器的預(yù)測(cè)結(jié)果進(jìn)行比較分析,更加全面地驗(yàn)證了組合模型RF-APSOLSSVM的適用性和分類的有效性。實(shí)驗(yàn)結(jié)果表明了本文所構(gòu)建的組合模型RF-APSOLSSVM的分類性能要優(yōu)于大部分的個(gè)人信用評(píng)估模型。本文的結(jié)論可以歸結(jié)為以下幾個(gè)方面：(1)組合模型可以取得更好的預(yù)測(cè)結(jié)果。隨機(jī)森林模型具有OOB估計(jì)、特征變量重要性估計(jì)的優(yōu)勢(shì),但R訌模型的預(yù)測(cè)精度與APSOLSSVM模型相比略差一些,因此RF模型通過與APSOLSSVM模型相結(jié)合,不僅可以利用到特征變量重要性的估計(jì)結(jié)果進(jìn)行了特征選擇操作,還可以較為良好的預(yù)測(cè)精度,在一些信用數(shù)據(jù)集上,組合模型的結(jié)果甚至優(yōu)于APSOLSSVM模型。(2)不同的特征選擇會(huì)帶來預(yù)測(cè)結(jié)果的變化。APSOLSSVM模型的運(yùn)算時(shí)間很長(zhǎng),RF-APSOLSSVM組合模型使得一些相對(duì)重要程度不高的變量得以刪減,特征變量的刪減使得組合模型的運(yùn)算速度遠(yuǎn)遠(yuǎn)快于APSOLSSVM模型的運(yùn)行速度,并且在分類正確率上也優(yōu)于R心和APSOLSSVM模型。(3)本文提出了模型組合的一個(gè)很好的思路。由于RF模型在0.5的投票率附近區(qū)間,模型的誤判率較高,因此剝離出該區(qū)域范圍內(nèi)的樣本,交由APSOLSSVM模型進(jìn)行預(yù)測(cè),采取這種兩階段的模型組合方法,使得組合模型最后的預(yù)測(cè)結(jié)果,與RF模型的預(yù)測(cè)結(jié)果相比有大幅度的改善。綜上所述,通過本文實(shí)證研究證明了RF和APSOLSSVM的兩階段組合模型不僅在理論上可行,在實(shí)證研究中也取得了較佳的分類效果。實(shí)證表明：RF-APSOLSSVM組合信用評(píng)估模型可以用于個(gè)人的信用評(píng)估領(lǐng)域中,是一種有效而且新穎的評(píng)估方法。
【關(guān)鍵詞】：信用風(fēng)險(xiǎn) 信用評(píng)估 隨機(jī)森林 分類
【學(xué)位授予單位】：西南財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F224;F203
【目錄】：

• 摘要4-7
• Abstract7-14
• 1. 引言14-19
• 1.1 研究背景及研究意義14-16
• 1.2 研究方法、研究?jī)?nèi)容及創(chuàng)新點(diǎn)16-17
• 1.3 論文研究思路及章節(jié)17-19
• 2. 個(gè)人信用評(píng)估及其研究現(xiàn)狀綜述19-39
• 2.1 個(gè)人信用評(píng)估的基礎(chǔ)理論19-21
• 2.1.1 信用的概念19-20
• 2.1.2 個(gè)人信用評(píng)估20-21
• 2.2 國內(nèi)外個(gè)人信用評(píng)估文獻(xiàn)綜述21-28
• 2.2.1 國外個(gè)人信用評(píng)估研究方法文獻(xiàn)綜述23-26
• 2.2.2 國內(nèi)個(gè)人信用評(píng)估研究方法文獻(xiàn)綜述26-28
• 2.3 主流的信用評(píng)估方法介紹28-39
• 3. 隨機(jī)森林算法的原理及相關(guān)理論基礎(chǔ)39-53
• 3.1 分類器及分類器的組合39-41
• 3.1.1 分類問題39-40
• 3.1.2 分類器的組合40-41
• 3.2 CART分類樹41-46
• 3.2.1 CART算法原理41-42
• 3.2.2 CART分類樹的建立42-44
• 3.2.3 CART分類樹的剪枝44-45
• 3.2.4 CART分類樹的優(yōu)缺點(diǎn)45-46
• 3.3 BAGGING方法46
• 3.4 隨機(jī)森林分類算法46-53
• 3.4.1 隨機(jī)森林的建立47-49
• 3.4.2 隨機(jī)森林的泛化誤差49-50
• 3.4.3 OOB估計(jì)50-51
• 3.4.4 特征變量的重要性估計(jì)51-53
• 4. LSSVM算法及RF-APSOLSSVM模型的組合原理53-63
• 4.1 最小二乘支持向量機(jī)(LSSVM)53-55
• 4.2 自適應(yīng)粒子群優(yōu)化算法(APSO)55-57
• 4.3 基于RF-APSOLSSVM的兩階段組合模型57-63
• 4.3.1 APSOLSSVM模型的建立58-59
• 4.3.2 RF—APSOLSSVM組合模型的構(gòu)建方法59-61
• 4.3.3 RF—APSOLSSVM組合模型的實(shí)現(xiàn)步驟61-63
• 5. 數(shù)據(jù)預(yù)處理及模型評(píng)估指標(biāo)63-74
• 5.1 數(shù)據(jù)來源63-64
• 5.2 數(shù)據(jù)預(yù)處理64-72
• 5.2.1 缺失值的處理64-65
• 5.2.2 指標(biāo)賦值65-67
• 5.2.3 歸一化處理67-71
• 5.2.4 劃分?jǐn)?shù)據(jù)集71-72
• 5.3 模型評(píng)估指標(biāo)72-74
• 6. 實(shí)證結(jié)果與分析74-85
• 6.1 組合模型與其他模型實(shí)證結(jié)果的比較75-80
• 6.1.1 RF-APSOLSSVM與RF、APSOLSSVM基于不同信用數(shù)據(jù)集的比較75-78
• 6.1.2 RF-APSOLSSVM與其他模型基于正確度、敏感度和特異度的比較78-80
• 6.2 特征選擇對(duì)RF-APSOLSSVM分類效果的影響80-85
• 6.2.1 基于德國信用數(shù)據(jù)集80-83
• 6.2.2 基于英國信用數(shù)據(jù)集83-85
• 7. 結(jié)論與展望85-88
• 7.1 結(jié)論85-86
• 7.2 展望86-88
• 參考文獻(xiàn)88-93
• 致謝93-95
• 在讀期間科研成果目錄95

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 溫濤,冉光和,王煜宇,熊德平;農(nóng)戶信用評(píng)估系統(tǒng)的設(shè)計(jì)與運(yùn)用研究[J];運(yùn)籌與管理;2004年04期

2 李建平,徐偉宣,劉京禮,石勇;消費(fèi)者信用評(píng)估中支持向量機(jī)方法研究[J];系統(tǒng)工程;2004年10期

3 孫常翔,李乃文;消費(fèi)者信用評(píng)估芻議[J];甘肅科技;2005年05期

4 劉承智;;信用評(píng)估的“C”要素理論及其應(yīng)用[J];財(cái)會(huì)月刊;2006年30期

5 張曉燕;蘭守彬;;如何尋找海外客戶及客戶信用評(píng)估[J];黑龍江科技信息;2012年08期

6 趙靜嫻,楊寶臣;一種基于神經(jīng)網(wǎng)絡(luò)和決策樹的信用評(píng)估新方法[J];武漢科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2005年02期

7 郭伊揚(yáng),郭尚鴻,沈祖志;適合中小型制造企業(yè)的客戶信用評(píng)估的研究[J];運(yùn)籌與管理;2003年01期

8 趙亞鵬;丁以中;;客戶信用評(píng)估模型[J];上海海事大學(xué)學(xué)報(bào);2008年02期

9 李誠;;運(yùn)用計(jì)算機(jī)提高信用評(píng)估的科學(xué)性[J];金融管理與研究;1990年03期

10 唐守國;大型商場(chǎng)消費(fèi)者信用評(píng)估流程探討[J];中國科技信息;2005年13期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前3條

1 劉克;穆麗穎;黎建強(qiáng);;信用評(píng)估:確定貸款發(fā)放的一種方法[A];第三屆不確定系統(tǒng)年會(huì)論文集[C];2005年

2 趙新欣;趙振全;;上市公司信用評(píng)估方法比較[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第5卷）[C];2004年

3 周曉飛;石勇;;基于數(shù)據(jù)挖掘的金融信用評(píng)估概述[A];第四屆（2009）中國管理學(xué)年會(huì)——管理科學(xué)與工程分會(huì)場(chǎng)論文集[C];2009年

中國重要報(bào)紙全文數(shù)據(jù)庫 前10條

1 本報(bào)記者 鄒大斌;眾籌金融熱 信用評(píng)估火[N];計(jì)算機(jī)世界;2013年

2 楊君偉;信用評(píng)估強(qiáng)似排行榜[N];中國財(cái)經(jīng)報(bào);2003年

3 唐有為;高效信用評(píng)估可望亦可及[N];國際商報(bào);2001年

4 曉研;信用評(píng)估助力國際貿(mào)易[N];中華工商時(shí)報(bào);2001年

5 《融資導(dǎo)刊》記者 董月梅;各自為政擾亂信用評(píng)估體系建設(shè)[N];民營(yíng)經(jīng)濟(jì)報(bào);2006年

6 記者 郭津;我省社會(huì)信用評(píng)估機(jī)構(gòu)有了“娘家”[N];河南日?qǐng)?bào);2009年

7 楊德智;營(yíng)銷員信用評(píng)估系統(tǒng)推動(dòng)誠信建設(shè)[N];中國保險(xiǎn)報(bào);2011年

8 本報(bào)記者 王亞宏;環(huán)境 主權(quán)信用評(píng)估新維度[N];中國證券報(bào);2012年

9 謝建功;形成科學(xué)的信用評(píng)估體系[N];經(jīng)濟(jì)日?qǐng)?bào);2000年

10 張旭東;我市啟動(dòng)中小企業(yè)信用評(píng)估工作[N];閩北日?qǐng)?bào);2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 葉夏菁;基于BP神經(jīng)網(wǎng)絡(luò)與半監(jiān)督學(xué)習(xí)的網(wǎng)貸平臺(tái)信用評(píng)估模型[D];浙江大學(xué);2015年

2 宣禮揚(yáng);企業(yè)間借貸法律規(guī)制研究[D];安徽大學(xué);2016年

3 常軼;基于BP神經(jīng)網(wǎng)絡(luò)的A銀行中小企業(yè)信用評(píng)估系統(tǒng)構(gòu)建[D];湖南大學(xué);2015年

4 張碧月;基于RF和APSOLSSVM的兩階段信用評(píng)估研究[D];西南財(cái)經(jīng)大學(xué);2016年

5 付源;有效規(guī)避信用評(píng)估風(fēng)險(xiǎn)的研究[D];西南石油學(xué)院;2004年

6 李國欣;中小企業(yè)信用評(píng)估研究[D];暨南大學(xué);2006年

7 呂安民;企業(yè)工商信用評(píng)估系統(tǒng)的研究[D];大連理工大學(xué);2004年

8 魏柏楠;中小企業(yè)信用評(píng)估[D];吉林大學(xué);2014年

9 王凱;中小企業(yè)信用評(píng)估模型及應(yīng)用[D];安徽農(nóng)業(yè)大學(xué);2007年

10 顏昀昕;高新技術(shù)企業(yè)融資現(xiàn)狀及信用評(píng)估研究[D];電子科技大學(xué);2009年

，

本文編號(hào)：895111