基于Logistic和神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估組合模型研究.pdf

1、在市場經(jīng)濟(jì)高速發(fā)展的時(shí)代，個(gè)人信用作為個(gè)人提前消費(fèi)的必要前提，在擴(kuò)大內(nèi)需，刺激金融信貸業(yè)發(fā)展方面都起著至關(guān)重要的作用。不僅如此，個(gè)人信用作為一種個(gè)人行為的承載體，也逐漸被認(rèn)可為是一種提升個(gè)人道德、維持經(jīng)濟(jì)秩序和社會(huì)秩序的必要手段。個(gè)人信用評(píng)估的重要性可見一斑。然而在西方個(gè)人信用評(píng)估體系已步入專業(yè)化甚至產(chǎn)業(yè)化階段之時(shí)，我國個(gè)人信用評(píng)估體系的建設(shè)才剛剛起步。在個(gè)人消費(fèi)信貸的發(fā)展過程中，面對(duì)的主要問題之一就是個(gè)人信用風(fēng)險(xiǎn)難以評(píng)估和控制。而近幾

2、十年來各商業(yè)銀行將消費(fèi)信貸業(yè)務(wù)作為其發(fā)展戰(zhàn)略的重要組成部分，這就使個(gè)人信用評(píng)估方法的研究變得尤為關(guān)鍵。
　　鑒于大多數(shù)構(gòu)建個(gè)人信用評(píng)估模型的相關(guān)研究僅考慮到模型的精確度，本文從更系統(tǒng)的角度，從精確度、穩(wěn)健性、時(shí)間復(fù)雜度和可解釋性四個(gè)方面，重點(diǎn)研究了個(gè)人信用評(píng)估定量化模型。首先參考國外經(jīng)驗(yàn)構(gòu)建個(gè)人信用評(píng)估指標(biāo)體系，結(jié)合樣本數(shù)據(jù)進(jìn)行初步分析。在數(shù)據(jù)預(yù)處理后，以Logistic回歸模型對(duì)樣本數(shù)據(jù)進(jìn)行建模，利用Logistic模型的回歸結(jié)

3、果，對(duì)統(tǒng)計(jì)上顯著的個(gè)人信用評(píng)估指標(biāo)進(jìn)行了更深入的解釋。針對(duì)目前應(yīng)用最為普遍的BP神經(jīng)網(wǎng)絡(luò)容易造成不收斂且耗時(shí)過長的問題，分別以Boosting算法和改進(jìn)后的LMBP（ILMBP）算法對(duì)之進(jìn)行優(yōu)化。經(jīng)過優(yōu)化后的神經(jīng)網(wǎng)絡(luò)在個(gè)人信用樣本數(shù)據(jù)上取得了預(yù)測(cè)精度的提升。通過對(duì)以上單一模型的適用性分析，提出基于熵權(quán)法的Logistic-ILMBP組合模型。最后將個(gè)人信用樣本數(shù)據(jù)的評(píng)估結(jié)果進(jìn)行了比較和分析。
　　研究結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)所提出的

4、兩種改進(jìn)辦法均能有效提高分類準(zhǔn)確度，但改進(jìn)后的LMBP（ILMBP）算法在性能和效率上具有更大的優(yōu)勢(shì)，因此也就更具實(shí)際應(yīng)用價(jià)值。而基于熵權(quán)法的Logistic-ILMBP組合模型，結(jié)合了神經(jīng)網(wǎng)絡(luò)模型的高分類精度和Logistic回歸模型的穩(wěn)健性，其一類誤判率和二類誤判率較兩種單一模型均有降低；并且計(jì)算簡單，由于在權(quán)重計(jì)算中使用了信息熵的原理，易于解釋。在我國個(gè)人信用評(píng)估模型定量化的發(fā)展初期，還面臨信用數(shù)據(jù)不完整等問題，Logistic-