基于SVM和PSO的信用評級模型研究.pdf

1、信用風險已經(jīng)是商業(yè)銀行所面臨的重要風險之一，特別是在在信用卡、住房按揭、汽車貸款等信貸業(yè)務中，如何有效進行信用風險管理已經(jīng)成為了銀行亟需解決的問題。而合適的信用評級方法是有效降低信用風險的有效途徑之一。
　　 目前在信用評級領(lǐng)域，已有很多學者做出了探索和研究，利用統(tǒng)計學習、機器學習、數(shù)據(jù)挖掘和人工智能的方法而構(gòu)建的信用評級模型都被相繼提出。信用評級模型的精度會關(guān)系到銀行一些重要決策的做出，為此，本文也對如何提高模型精度進行了深入

2、研究。支持向量機(SVM)自提出以來已經(jīng)得到了迅速的發(fā)展，廣泛應用于多個領(lǐng)域，本文將SVM應用到信用評級領(lǐng)域。但是利用SVM訓練模型，有核函數(shù)參數(shù)優(yōu)化和樣本特征選擇這兩個難點。對于這兩個問題的解決，論文引入粒子群算法(PSO)，PSO作為一種群體智能算法，在復雜問題的尋優(yōu)方面具有明顯的優(yōu)勢。將其與SVM結(jié)合構(gòu)建混合信用評級模型可以明顯提模型的分類精度。為了進一步提高模型分類的準確率，論文在此研究基礎之上，一方面提出構(gòu)造新的混合核函數(shù)代替

3、常用的RBF核函數(shù);另一方面，在保留PSO原有優(yōu)勢的基礎之上，加入混沌機制，增強粒子空間搜索能力。本文的主要研究內(nèi)容如下:
　　 (1)對SVM中參數(shù)優(yōu)化和特征選擇問題進行了研究，并重點對RBF核函數(shù)的SVM中關(guān)鍵參數(shù)C，γ進行了分析，說明其對SVM性能的影響。
　　 (2)將單核的SVM與基本PSO相結(jié)合，構(gòu)建混合的信用評級模型:SVM-PSO。并將該模型的分類效果與目前常用的模型進行對比分析。
　　 (3)對

4、SVM中的核函數(shù)進行了重點分析，在常用單核核函數(shù)的基礎之上提出混合核函數(shù)，將局部核函數(shù)和全局核函數(shù)結(jié)合起來，使遠距離和近距離的數(shù)據(jù)樣本點都能對核函數(shù)的值產(chǎn)生影響。
　　 (4)在對基本PSO研究的基礎上，引入混沌機制，提出混沌粒子群算法，克服基本粒子群算法過早陷入局部最優(yōu)的缺點，改善算法的尋優(yōu)能力。并利用優(yōu)化的粒子群算法同時進行特征選擇和參數(shù)優(yōu)化，降低模型計算復雜度。
　　 (5)在SVM-PSO信用評級模型的基礎之上，