基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)

ID:6068561

大?。?05.00 KB

頁(yè)數(shù):11頁(yè)

時(shí)間:2018-01-01

基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)_第1頁(yè)
基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)_第2頁(yè)
基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)_第3頁(yè)
基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)_第4頁(yè)
基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)_第5頁(yè)
資源描述:

《基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、基于最小二乘支持向量機(jī)集成模型的信用評(píng)價(jià)關(guān)鍵詞:信譽(yù)、得分支持矢量機(jī)器、總體模型摘要:由于最近的金融危機(jī)以及巴塞爾新資本協(xié)議的監(jiān)管問(wèn)題,信貸風(fēng)險(xiǎn)評(píng)估已經(jīng)成為金融風(fēng)險(xiǎn)管理領(lǐng)域最重要的課題之一。在各種金融機(jī)構(gòu)中,大量的定量信用評(píng)分模型被引用來(lái)評(píng)估顧客的信譽(yù)風(fēng)險(xiǎn)。盡管實(shí)驗(yàn)已經(jīng)證明單個(gè)支持向量機(jī)(SVM)具有很好的性能,但是一個(gè)帶有固定的實(shí)驗(yàn)樣本數(shù)據(jù)和參數(shù)設(shè)置的單一分類器可能會(huì)有某種形式的歸納偏差。而減少這種偏差的一種有效的方法就是集成模型。在本文的研究中,將為讀者介紹一種基于合奏模式的最小二乘支持向量機(jī)(LSSVM)的總體模型,這種模型最終也將服務(wù)于信譽(yù)得分

2、領(lǐng)域,提出信用評(píng)分。這種模型通過(guò)測(cè)試兩個(gè)真實(shí)數(shù)據(jù)庫(kù),結(jié)果表明集成模型策略能夠在一定程度上提高分類性能,并有效地幫助構(gòu)建信譽(yù)評(píng)分模型。1.介紹信貸風(fēng)險(xiǎn)評(píng)估已經(jīng)逐漸成為金融機(jī)構(gòu)的重要領(lǐng)域,在近期的金融危機(jī)中,由于顧客拖欠貸款的事例逐漸增多,許多金融機(jī)構(gòu)遭受巨大損失。在美國(guó),1997年官方信譽(yù)發(fā)行人減少發(fā)行27.19億債券來(lái)彌補(bǔ)損失,而這個(gè)數(shù)字到2006年已經(jīng)達(dá)到31.91億(HSN咨詢股份有限公司,2007年)。此外,由于顧客拖欠貸款,近期的次貸危機(jī)也使美國(guó)的一些公司損失數(shù)億美元。然而,在這個(gè)持續(xù)膨脹的信譽(yù)市場(chǎng)上,金融機(jī)構(gòu)又不能通過(guò)拒絕所有的顧客來(lái)避免信貸

3、危機(jī)。因此,在信貸市場(chǎng),重建有效的信貸風(fēng)險(xiǎn)評(píng)估體系已經(jīng)成為金融機(jī)構(gòu)獲得競(jìng)爭(zhēng)優(yōu)勢(shì)的決定性因素,這能夠幫助他們接受信用良好的顧客,拒絕非信用良好的顧客,從而減少損失。很明顯,機(jī)構(gòu)需要作出明確的決策支持來(lái)決定是否接受顧客的信譽(yù)服務(wù),隨著數(shù)字精確度的發(fā)展,甚至是一個(gè)百分?jǐn)?shù)的小數(shù)部分都能轉(zhuǎn)換成重要的數(shù)據(jù),而這足以拯救整個(gè)儲(chǔ)蓄信貸行業(yè)(Thomas,Edelman,和Crook,2002年)。運(yùn)用信用評(píng)分是幫助貸款方?jīng)Q定是否接受顧客的最為廣泛的技術(shù),信用評(píng)分的主要思想是根據(jù)申請(qǐng)者在申請(qǐng)表或者信貸機(jī)構(gòu)記錄上的特征的來(lái)計(jì)算申請(qǐng)人的違約概率的,這些記錄特征是通過(guò)以過(guò)去的

4、申請(qǐng)者信息建立的一定量模型得到的。來(lái)自于不同學(xué)科的定量分析方法都已經(jīng)用于建立信用評(píng)分模型,例如線性判別分析、線性回歸、決策樹(shù)、數(shù)據(jù)的網(wǎng)絡(luò)分析、來(lái)自于人工智能的矢量支持機(jī)器,還有一些其他的混合方法。支持向量機(jī)方法最早由Vapnic提出,并已經(jīng)成功應(yīng)用于一系列的現(xiàn)實(shí)問(wèn)題,比如說(shuō)筆跡的手寫數(shù)字辨別、文本分類、說(shuō)話人身份鑒定等等。在大部分的這些應(yīng)用中,SVM的泛華性能和匹配程度優(yōu)于其他競(jìng)爭(zhēng)的方法。為了解決信譽(yù)評(píng)分的問(wèn)題,Baesens研究了各種不同國(guó)家的藝術(shù)分類算法的規(guī)律,這些都是關(guān)于現(xiàn)實(shí)生活中八種信譽(yù)得分?jǐn)?shù)據(jù)設(shè)置的。在被測(cè)試的17種方法中,由于精確的分類(由

5、PCC即百分比精確分類機(jī)構(gòu)測(cè)定),平均排名最高的的SVM(Thomas,Liver和Hand,2005)。為了提高PCC的性能,黃、陳和王(2007年)在信用評(píng)分模型的基礎(chǔ)上建立了混合的信譽(yù)得分模型,還針對(duì)數(shù)據(jù)輸入的選擇和模型參數(shù)提出了一些探索性的方法。實(shí)驗(yàn)數(shù)據(jù)結(jié)果表明帶有相對(duì)較少數(shù)據(jù)輸入的SVM分類器仍然能夠獲得和神經(jīng)網(wǎng)絡(luò)、遺傳編程、決策樹(shù)分類器等良好分類器一樣的精確分類。盡管單一的SVM模型在數(shù)據(jù)分類上又不錯(cuò)的表現(xiàn),但是它們對(duì)樣本數(shù)據(jù)和參數(shù)的設(shè)置太敏感。一般來(lái)說(shuō),一個(gè)帶有一組確定的實(shí)驗(yàn)樣本數(shù)據(jù)和特定的參數(shù)設(shè)置的單一的SVM數(shù)據(jù)分類器,可能會(huì)有一系列

6、感性偏差。減少這種偏差的一種有效方法就是總體模型??傮w模型能夠有效利用各種數(shù)據(jù)的多樣性,這種方法可以降低方差錯(cuò)誤,而且人們相信它也能實(shí)現(xiàn)數(shù)據(jù)分類的功能,并且要比單一的數(shù)據(jù)分類器好(Breiman,1996,1999)??傮w方法的中心思想是建立一組模型,其中每一個(gè)都是用來(lái)解決相同的初始問(wèn)題,目的是為了獲得一個(gè)更好的總體模型,這種模型會(huì)擁有更精確可信度更高的評(píng)估或者決定,這些都是單一的數(shù)據(jù)分析模型不可比擬的,因?yàn)閺闹袩o(wú)法獲得那樣的數(shù)據(jù),從而也表明了復(fù)合方法的工作機(jī)制。(Maim和Rokach,2005),圖1示出了該機(jī)制的集成方法。圖1總體模型框架圖這篇論

7、文推薦了一些新的SVM總體模型,這些模型通過(guò)不同的方法可以復(fù)合最簡(jiǎn)單的直線SVM分類器,而直線SVM分類器之前是分類個(gè)人數(shù)字的。這些總體模型可以分成兩組。一組是根據(jù)每個(gè)數(shù)據(jù)分類器可靠度來(lái)分類的,另一組是根據(jù)不同的權(quán)重分類的?;诳煽啃詾橐罁?jù)的總體模型策略與總體模型中通常所用的“一數(shù)一票”方法不同。這種調(diào)整來(lái)自于直覺(jué),專家認(rèn)為“一數(shù)一票”的復(fù)合策略并沒(méi)有充分利用每一個(gè)分類器的數(shù)據(jù)信息。舉個(gè)例子來(lái)說(shuō),一種總體模型有三個(gè)SVM數(shù)字分類器,Ha,Hb,Hc,。圖2總體模型決策示例如圖2所示,它們?cè)跀?shù)據(jù)分類上都具有活性,這些都在第二個(gè)例子中舉出。在點(diǎn)A,由于一個(gè)

8、未被發(fā)現(xiàn)的特征向量,兩個(gè)復(fù)合數(shù)字(Ha,Hb)對(duì)確定這個(gè)點(diǎn)沒(méi)有任何作用,但卻對(duì)數(shù)據(jù)的分類有輕微

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫(huà)的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無(wú)此問(wèn)題,請(qǐng)放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫(kù)負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭(zhēng)議請(qǐng)及時(shí)聯(lián)系客服。
3. 下載前請(qǐng)仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無(wú)法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶請(qǐng)聯(lián)系客服處理。
关闭