發(fā)布時(shí)間：2020-10-20 06:40

　　 近年來(lái),隨著經(jīng)濟(jì)全球化及金融自由化進(jìn)程的不斷深入,我國(guó)的消費(fèi)金融服務(wù)發(fā)展迅速。同時(shí),隨著互聯(lián)網(wǎng)特別是移動(dòng)互聯(lián)網(wǎng)的全面普及,互聯(lián)網(wǎng)消費(fèi)金融信貸規(guī)模出現(xiàn)了爆發(fā)式的增長(zhǎng),越來(lái)越多的人開(kāi)始使用互聯(lián)網(wǎng)消費(fèi)金融服務(wù)。政府監(jiān)管政策的相繼出臺(tái)倒逼互聯(lián)網(wǎng)消費(fèi)金融為代表的消費(fèi)金融行業(yè)進(jìn)行更深入的改革與創(chuàng)新。金融機(jī)構(gòu)獲利方式需要從以用戶規(guī)模為基礎(chǔ)的粗放型信貸模式向以用戶質(zhì)量為基礎(chǔ)的集約型信貸模式轉(zhuǎn)變。金融機(jī)構(gòu)的信用風(fēng)險(xiǎn)管理水平?jīng)Q定了其盈利能力,是其在激烈的同行業(yè)競(jìng)爭(zhēng)中脫穎而出的關(guān)鍵因素。如何構(gòu)建更加科學(xué)、合理、有效的信用風(fēng)險(xiǎn)評(píng)估模型已成為當(dāng)前信用風(fēng)險(xiǎn)評(píng)估研究的重要內(nèi)容。信用風(fēng)險(xiǎn)評(píng)估模型本質(zhì)上是一個(gè)二分類問(wèn)題,即如何把信貸申請(qǐng)人中信用好的申請(qǐng)人和信用差的申請(qǐng)人區(qū)分出來(lái)。在以往的研究成果中,已有許多國(guó)內(nèi)外學(xué)者對(duì)信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域進(jìn)行了深入的研究和探討,提出了眾多適用于不同數(shù)據(jù)類型的信用風(fēng)險(xiǎn)評(píng)估模型,但也存在著一些不足之處,如較少使用混合特征模型對(duì)信用風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)進(jìn)行特征選擇研究,較少對(duì)集成模型中的基分類器進(jìn)行集成選擇研究等。本文基于已有的研究成果,首先對(duì)信用風(fēng)險(xiǎn)評(píng)估研究的背景和意義進(jìn)行了詳細(xì)地闡述,從傳統(tǒng)專家經(jīng)驗(yàn)?zāi)Ｐ脱芯�、單一分類器模型研究、組合模型研究三個(gè)角度系統(tǒng)梳理了國(guó)內(nèi)外信用風(fēng)險(xiǎn)評(píng)估的研究狀況,并對(duì)特征選擇、分類器算法、分類器集成等三方面相關(guān)知識(shí)和技術(shù)進(jìn)行了詳細(xì)介紹。在此基礎(chǔ)上,本文提出了兩種具有自適應(yīng)功能的信用風(fēng)險(xiǎn)評(píng)估模型:(1)本文提出了一種數(shù)據(jù)樣本自適應(yīng)的信用風(fēng)險(xiǎn)評(píng)估集成模型。首先,設(shè)計(jì)了一種改進(jìn)型平衡級(jí)聯(lián)算法用對(duì)超出閾值的不平衡數(shù)據(jù)進(jìn)行處理,有效解決不平衡數(shù)據(jù)對(duì)模型的干擾;其次,使用兩種基于決策樹(shù)算法的集成分類器(隨機(jī)森林和XGBoost算法)作為集成模型的基分類器,有效保障集成模型的分類預(yù)測(cè)性能;最后,使用堆疊法進(jìn)行分類器集成從而構(gòu)建具有更高預(yù)測(cè)性能的信用風(fēng)險(xiǎn)評(píng)估集成模型。(2)本文進(jìn)一步提出了一種多階段自適應(yīng)的信用風(fēng)險(xiǎn)評(píng)估集成模型。首先,本文提出一種改進(jìn)型多種群小生境遺傳算法(EMPNGA)用于特征選擇;其次,通過(guò)結(jié)合多種特征選擇過(guò)濾法與EMPNGA算法,構(gòu)建混合特征選擇算法用以進(jìn)行自適應(yīng)特征選擇,有效去除冗余特征;再次,構(gòu)建一個(gè)帶有多個(gè)基分類器的候選分類器池,并通過(guò)進(jìn)一步改進(jìn)EMPNGA算法和結(jié)合基分類器先驗(yàn)知識(shí),從候選分類器池中自適應(yīng)地篩選出最優(yōu)的分類器子集;最后,將最優(yōu)分類器子集通過(guò)堆疊法構(gòu)建具有更高預(yù)測(cè)性能的信用風(fēng)險(xiǎn)評(píng)估集成模型。為了驗(yàn)證上述兩種模型的整體性能,本文采用4個(gè)真實(shí)數(shù)據(jù)集和4個(gè)評(píng)價(jià)指標(biāo)對(duì)本文提出的模型進(jìn)行多維度對(duì)比分析。實(shí)驗(yàn)結(jié)果表明:(1)在不平衡數(shù)據(jù)中,改進(jìn)型平衡級(jí)聯(lián)算法能有效提升分類器預(yù)測(cè)性能;(2)經(jīng)過(guò)特征選擇的分類模型性能均優(yōu)于未進(jìn)行特征選擇的分類模型性能;(3)EMPNGA算法與標(biāo)準(zhǔn)二進(jìn)制GA算法和標(biāo)準(zhǔn)二進(jìn)制粒子群算法(PSO)相比具有更好的優(yōu)化性能;(4)與其它5種特征選擇方法相比,結(jié)合HEMPNGA算法的信用風(fēng)險(xiǎn)評(píng)估模型能獲得更好的預(yù)測(cè)效果;(5)多階段自適應(yīng)的信用風(fēng)險(xiǎn)評(píng)估集成模型的預(yù)測(cè)結(jié)果比其它對(duì)比模型具有更好的預(yù)測(cè)性能。綜上所述,實(shí)驗(yàn)證明本文提出的模型和算法均具有更優(yōu)異的性能。本文的研究成果是對(duì)信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域研究現(xiàn)有成果的創(chuàng)新和發(fā)展,為信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域的理論研究提供了新的研究視角和方法,具有良好的理論價(jià)值。此外,本文的研究成果有利于防范我國(guó)金融消費(fèi)與信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域產(chǎn)生的系統(tǒng)性金融風(fēng)險(xiǎn),有利于提高金融機(jī)構(gòu)的競(jìng)爭(zhēng)力,為金融機(jī)構(gòu)實(shí)現(xiàn)快速、合理、高效放貸提供技術(shù)支持,具有良好的應(yīng)用價(jià)值。
【學(xué)位單位】：浙江財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：C815
【部分圖文】：

成模型用于信用風(fēng)險(xiǎn)評(píng)估。出多階段自適應(yīng)的信用風(fēng)險(xiǎn)評(píng)估集成模型。首先多種特征選擇過(guò)濾法與 EMPNGA 算法相結(jié)合構(gòu)建候選分類器池，池中包含根據(jù)上文提出方法所步改進(jìn) EMPNGA 算法并構(gòu)建分類器選擇過(guò)程；器子集并通過(guò)堆疊法構(gòu)建集成模型。驗(yàn)設(shè)計(jì)和實(shí)驗(yàn)結(jié)果分析。首先，介紹本研究所使息；其次，描述實(shí)驗(yàn)的數(shù)據(jù)預(yù)處理過(guò)程和參數(shù)指標(biāo)和顯著性檢驗(yàn)方法；最后，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)結(jié)與展望。對(duì)全文的工作進(jìn)行總結(jié)與歸納，同時(shí)來(lái)研究的工作方向進(jìn)行展望。技術(shù)路線如圖 1-1 所示。

1( )Nt tiC N H T Nαα== +1( ) logktk tktit tN NH TN N== 向量機(jī)（SVM）Cortes 和 Vapnik 在 1995 年提出，它在小樣本、高緯的分類性能。其基本思想是：建立一個(gè)最優(yōu)超平面用其兩類樣本點(diǎn)到超平面的距離最大化。對(duì)于一個(gè)具有過(guò)不斷更新超平面的角度直到訓(xùn)練樣本中不同類別面分割，并且在滿足條件的超平面中最大化樣本點(diǎn)和到 SVM 的最優(yōu)分類效果。SVM 最優(yōu)分類示意圖如

圖 2-3 分類器集成效果圖據(jù)基分類器的構(gòu)造，分類器集成可分為同質(zhì)集成和異質(zhì)集成兩大指將相同的基分類器進(jìn)行集成，典型的分類器為 RF 算法、梯度提DT；Friedman，2001）、極限梯度提升決策樹(shù)（XGBoost）。異同類型的分類器預(yù)測(cè)相同的數(shù)據(jù)，所得的結(jié)果進(jìn)行優(yōu)勢(shì)互補(bǔ)以彌補(bǔ)的不足，從而獲得更好的學(xué)習(xí)結(jié)果（Xia 等，2018）。目前，裝袋法（B、提升法（Schapire，1990）和堆疊法（Wolpert，1992）是三種使集成學(xué)習(xí)方法。、裝袋法袋法的英文名稱為 Bagging（bootstrap aggregating 的縮寫形式），始數(shù)據(jù)集的不同隨機(jī)樣本子集來(lái)構(gòu)造多個(gè)不同的基模型，并對(duì)所有結(jié)果進(jìn)行綜合以產(chǎn)生最終的預(yù)測(cè)結(jié)果，這是一種能夠減少估計(jì)方差示意圖如圖 2-4 所示。例如，我們可以在不同的數(shù)據(jù)子集上訓(xùn)練 算集成結(jié)果，如式 2.23 所示，其中，T 表示基模型個(gè)數(shù)。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 段薇;路向陽(yáng);;基于代價(jià)敏感支持向量機(jī)的銀行信用風(fēng)險(xiǎn)評(píng)估模型[J];江西科技師范大學(xué)學(xué)報(bào);2015年06期

2 亓慧;王文劍;郭虎升;;一種基于特征選擇的SVM Bagging集成方法[J];小型微型計(jì)算機(jī)系統(tǒng);2014年11期

3 賀德榮;蔣白純;;面向社會(huì)管理的個(gè)人信用評(píng)價(jià)指標(biāo)體系研究和設(shè)計(jì)[J];電子政務(wù);2013年05期

4 王潤(rùn)華;;基于改進(jìn)支持向量機(jī)的消費(fèi)信貸中個(gè)人信用評(píng)估模型[J];統(tǒng)計(jì)與決策;2010年11期

5 郭小燕;;主成份分析法在銀行個(gè)人信用評(píng)價(jià)中的應(yīng)用[J];計(jì)算機(jī)與信息技術(shù);2009年05期

6 王莉莉;劉同明;石亮;曹敢;;基于決策樹(shù)方法的銀行客戶信用評(píng)估[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

7 肖文兵;費(fèi)奇;萬(wàn)虎;;基于支持向量機(jī)的信用評(píng)估模型及風(fēng)險(xiǎn)評(píng)價(jià)[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年05期

8 姜明輝;袁緒川;;GA改進(jìn)的統(tǒng)計(jì)組合模型在個(gè)人信用評(píng)估中的應(yīng)用[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2007年01期

9 劉軍麗;陳翔;;基于決策樹(shù)的個(gè)人住房貸款信用風(fēng)險(xiǎn)評(píng)估模型[J];計(jì)算機(jī)工程;2006年13期

10 沈杰;;西方發(fā)達(dá)國(guó)家個(gè)人誠(chéng)信制度及其運(yùn)行機(jī)制[J];社會(huì)科學(xué)管理與評(píng)論;2006年02期

本文編號(hào)：2848360