個(gè)人信用評分組合模型研究與應(yīng)用.pdf

1、個(gè)人信用不僅是國家建設(shè)道德文化和市場倫理的基礎(chǔ)，還是一個(gè)推動(dòng)國家經(jīng)濟(jì)發(fā)展的巨大資源。充分開發(fā)和利用個(gè)人信用資源，能夠有效地優(yōu)化資源配置、拉動(dòng)消費(fèi)并最終促進(jìn)經(jīng)濟(jì)發(fā)展。一些西方國家早在一百多年前就建立了個(gè)人信用制度，為其市場經(jīng)濟(jì)的正常運(yùn)行打下了堅(jiān)實(shí)基礎(chǔ)。而在我國，個(gè)人信用制度的建立在2000年才開始起步，研究和應(yīng)用水平遠(yuǎn)遠(yuǎn)落后與發(fā)達(dá)國家。個(gè)人信用評分是個(gè)人信用制度的核心，科學(xué)地對個(gè)人信用狀況進(jìn)行評估有助于促進(jìn)個(gè)人信貸業(yè)務(wù)的發(fā)展，降低個(gè)人信貸

2、風(fēng)險(xiǎn)。
　　 本文在分析國內(nèi)外個(gè)人信用評分發(fā)展歷史及其方法應(yīng)用現(xiàn)狀的基礎(chǔ)上，指出目前個(gè)人信用評分是一個(gè)集缺失數(shù)據(jù)填補(bǔ)、異常值檢測和處理、連續(xù)數(shù)據(jù)離散化、樣本結(jié)構(gòu)優(yōu)化、指標(biāo)體系選擇、模型設(shè)計(jì)、評價(jià)和應(yīng)用為一體的評估系統(tǒng)。針對缺失數(shù)據(jù)問題，將多種填補(bǔ)方法的應(yīng)用效果進(jìn)行了比較。得出在數(shù)據(jù)缺失率在10％以內(nèi)時(shí)采用刪除法是最佳選擇，在20％～40％之間時(shí)多重填補(bǔ)是最有效的處理方法。對異常值和異常實(shí)例的檢測及處理進(jìn)行了分析，提出了異常實(shí)例檢

3、測的組合方法，結(jié)果表明異常值的處理有助于提高個(gè)人信用評分模型的分類精度。采用等距區(qū)間、等頻區(qū)間以及基于熵的方法對連續(xù)屬性進(jìn)行了離散化，結(jié)果表明離散化能夠減小異常值對個(gè)人信用評分模型的影響、提高評分模型的預(yù)測精度，有利于個(gè)人隱私的保護(hù)。在數(shù)據(jù)層面和算法層面對信用數(shù)據(jù)中的結(jié)構(gòu)不平衡問題進(jìn)行了研究，實(shí)驗(yàn)結(jié)果表明兩個(gè)層面上的處理方法都能有效地提高對壞客戶的識別正確率。其中基于最近鄰的SMOTE過抽樣方法簡單易行，在處理不平衡數(shù)據(jù)問題時(shí)有最好的應(yīng)

4、用效果。在對各種指標(biāo)重要程度排序方法進(jìn)行比較的基礎(chǔ)上，提出采用組合方法能夠綜合考慮各種排序信息，獲得更為穩(wěn)健的指標(biāo)重要性排序結(jié)果。測試了機(jī)器學(xué)習(xí)中的最優(yōu)特征子集選擇方法在個(gè)人信用評分指標(biāo)體系構(gòu)建中的應(yīng)用效果，為構(gòu)建個(gè)人信用評分指標(biāo)體系提供了新的思路。
　　 對五種最常見的個(gè)人信用評分單一模型進(jìn)行了應(yīng)用和比較，實(shí)驗(yàn)結(jié)果表明：Logistic回歸對數(shù)據(jù)沒有嚴(yán)格假設(shè)條件、穩(wěn)健性好、可解釋性強(qiáng)、建模過程簡單易操作，但分類精度略低于人工智

5、能模型。C4.5決策樹模型對數(shù)據(jù)沒有嚴(yán)格假設(shè)條件、模型分類精度較高、可解釋性較強(qiáng)，能輸出簡單直觀的評分規(guī)則，但缺點(diǎn)是模型穩(wěn)健性不夠，容易出現(xiàn)過擬合，且建模過程比較依賴專家知識和經(jīng)驗(yàn)。貝葉斯網(wǎng)絡(luò)的穩(wěn)定性好、可解釋性較強(qiáng)，能輸出網(wǎng)絡(luò)圖，直觀地揭示屬性和違約概率之間的關(guān)系、建模過程簡單易行，但主要缺點(diǎn)是模型分類精度較低。BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)沒有假設(shè)條件、分類精度高，能模擬數(shù)據(jù)間復(fù)雜的非線性關(guān)系，但缺乏穩(wěn)健性和可解釋性，而且建模過程嚴(yán)重依賴專家知

6、識和經(jīng)驗(yàn)。支持向量機(jī)對數(shù)據(jù)也沒有假設(shè)條件、分類精度高。但缺點(diǎn)是缺乏可解釋性和穩(wěn)定性，建模過程依賴專家知識和經(jīng)驗(yàn)。總之，目前存在的多種個(gè)人信用評分統(tǒng)計(jì)模型和非統(tǒng)計(jì)模型都各有特點(diǎn)，沒有一種能夠達(dá)到分類精度和穩(wěn)健性的統(tǒng)一。
　　 針對精確度與穩(wěn)健性無法兼顧問題，本文利用組合思想構(gòu)建了多種結(jié)構(gòu)的組合模型并進(jìn)行了應(yīng)用。實(shí)驗(yàn)結(jié)果表明，把神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)和Logistic回歸按照串行結(jié)構(gòu)結(jié)合在一起構(gòu)成組合模型有助于提高信用評分的分類精度和

7、穩(wěn)健性。但由于多重共線性的存在，使模型丟失了可解釋性。異態(tài)并行結(jié)構(gòu)組合模型能顯著提高分類精度和穩(wěn)健性，但是模型構(gòu)造復(fù)雜，依賴于專家知識和經(jīng)驗(yàn)，不利于推廣應(yīng)用。Bagging、boosting集成模型在分類精度和穩(wěn)健性上也都有很好的表現(xiàn)，而且構(gòu)造相對簡單，較少依賴專家知識和經(jīng)驗(yàn)，有利于在個(gè)人信用評分領(lǐng)域的推廣。Rsm集成模型能在高維度的數(shù)據(jù)集上取得了和bagging、boosting集成模型相當(dāng)?shù)姆诸愋阅埽贿m合處理特征變量過少的個(gè)人信