基于SVM的银行信贷风险评估模型研究

基于SVM的银行信贷风险评估模型研究

论文摘要

银行风险管理一直是国际国内金融界关注的焦点,入世后,国内银行面临着国内外银行的激烈竞争;国内银行由于信贷决策手段跟不上企业经营与市场信息的快速变化,导致不良资产率高、信贷资产安全性差、不良贷款比重大、贷款损失严重,隐含着相当大的危机。如何建立有效的企业信用评估体系和银行信贷风险评估模型,为银行决策提供科学的量化决策依据,全面降低不良贷款率,提高信贷资产质量,是国内银行共同面临的研究课题。因此,研究银行信贷风险评估具有重大现实意义。目前,国内银行大多采用定性与定量相结合的风险量化模型对信贷风险进行评估,由于银行信贷风险等级的划分是一个多分类问题,这种建模技术直接影响信贷风险预测精确度和模型评估能力。本文在深入研究了国内外银行信贷风险评估采用的建模技术基础上,针对BP神经网络在建立信贷风险评估模型时存在的推广能力差和预测时间长等缺点,同时考虑到支持向量机可以处理一些多分类问题,采用支持向量机方法建立银行信贷风险评估模型。然而,支持向量机在处理多分类问题时多采用基于二值分类器的多分类器构造算法,这种算法在提取样本子集时仅考虑到二值分类而忽视与其他类之间联系,造成了类间信息丢失降低了分类精度,针对这一问题,本文提出了基于支持向量回归机的多分类器构造算法。该算法从决策函数入手把二值分类器扩展成三值分类器,增强了类间联系,解决了信息丢失问题;通过引入支持向量回归机代替三值分类器,解决了三值分类器存在的由于参数调整过多造成的计算代价大的问题。并采用中国银行滨河支行提供的数据,通过多组数据实验,将实际情况与该算法结果进行了对比验证。实验结果表明,该算法可以有效地提高预测精度,同时能解决计算代价大的问题,减少了占用的内存空间,提高了运行效率,缩短了训练时间,为银行信贷风险快速、有效的评估提供了更可靠的依据。

论文目录

  • 中文摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 银行信贷风险
  • 1.2 数据挖掘
  • 1.3 国内外研究现状
  • 1.3.1 银行信贷风险评估模型综述
  • 1.3.2 支持向量机算法综述
  • 1.3.3 支持向量机应用综述
  • 1.4 研究内容及论文结构
  • 第二章 支持向量机
  • 2.1 支持向量机理论
  • 2.1.1 统计学习理论
  • 2.1.2 优化理论
  • 2.1.3 核函数
  • 2.2 支持向量机算法
  • 2.2.1 支持向量机分类算法
  • 2.2.2 支持向量机回归算法
  • 2.2.3 支持向量机多分类算法
  • 2.3 小结
  • 第三章 基于SVM 的多分类器构造算法
  • 3.1 三值分类器
  • 3.1.1 将二值分类器扩展成三值分类器
  • 3.1.2 引入回归机作为三值分类器
  • 3.2 组合三值分类器
  • 3.3 算法描述
  • 3.4 算法评价
  • 3.5 小结
  • 第四章 基于SVM 的银行信贷风险评估模型
  • 4.1 样本选择
  • 4.2 模型技术应用
  • 4.2.1 SVR
  • 4.2.2 Logistic 回归
  • 4.2.3 BP 神经网络
  • 4.3 实验结果
  • 4.3.1 模型技术对比分析
  • 4.3.2 算法对比分析
  • 4.4 小结
  • 第五章 总结与展望
  • 5.1 总结
  • 5.2 展望
  • 参考文献
  • 研究生在读期间取得的研究成果
  • 致谢
  • 个人简介
  • 相关论文文献

    标签:;  ;  ;  ;  

    基于SVM的银行信贷风险评估模型研究
    下载Doc文档

    猜你喜欢