信用评估与信用卡欺诈侦测的智能决策系统研究

论文摘要

近十年来,我国金融机构以“跑马圈地”形式大力发展信用卡业务,使得信用卡发卡量呈现“井喷式”的增长。随着市场的急剧膨胀,信用卡的“高风险”特性亦逐渐暴露,信用卡风险管理与控制成为了金融机构风险管理的重要研究课题。传统的信用卡风险管理方法基本是建立在随机理论基础上,现行的个人信用评估模型多为单一的统计计量模型。这些模型与算法存在着以下两方面的基本问题:第一方面是缺乏处理病结构、非线性金融风险问题的能力;第二方面随机理论忽略了风险因素的模糊性而只强调风险因素的随机性。然而金融风险的计量是复杂和非结构性的决策问题,通常具有模糊特质,因此近年来以人工神经网络为代表的人工智能技术开始受到了研究人员的高度关注。各类人工智能技术由于各自的特点和技术缺陷,导致了单一技术在实践应用中陷入僵局。所以根据各技术的共同之处与特点,寻求各种人工智能技术的有机结合便成为自然而然的思路。本研究试图将模糊系统及模因算法与人工神经网络相结合,旨在将模糊逻辑运算融入人工神经网络的神经元与结构中建立模糊神经网络模型,从而改良人工神经网络的学习能力,并增强网络的直观性与灵活性;利用模因算法的全局搜索能力改进人工神经网络的训练算法,减少人工神经网络陷入局部极值的可能性,使网络具备进化与学习的双重智能;同时借助粗糙集属性约简方法简化信息表达空间、去掉冗余信息、使训练集简化、降低网络输入维数,以减小网络结构的复杂性,从而缩短网络的训练时间,避免数据噪声造成的网络过适应问题。最终建立以模因进化型模糊神经网络为基础的个人信用评分模型。鉴于现阶段我国信用卡业发展尚处于初级阶段,论文在分析信用卡欺诈风险特征的基础上,基于专家规则及模因算法分别建立了信用卡欺诈侦测模型,并在此基础上构建了信用卡欺诈侦测的智能决策系统,实现对信用卡欺诈风险的有效控制与防范。该研究在理论上具有重要的科学价值,在实践中具有良好的市场开发前景,而且在方法上具有显著的创新性。本文的研究内容主要包括:1.全面总结个人信用评分理论与方法,深入分析现存方法的特性与缺陷,同时对信用卡风险问题的特性进行深入研究,明晰综合智能计算改进个人信用评分模型的研究思路。2.深入了解智能计算的研究现状与研究动态,准确把握人工神经网络、模因算法和模糊系统等智能计算技术的优势和缺陷,进而探讨各种技术的技术互补可能性。3.探索人工神经网络与模糊逻辑、模因算法之间可能的结合方式,研究人工神经网络和模糊神经网络的网络拓扑结构与学习算法,并在此基础上提出集成人工神经网络、模糊逻辑和模因算法等智能计算技术的综合智能信息处理模型。4.深入分析模因算法的原理与过程,并充分借鉴模因算法的相关研究成果,针对综合信息处理模型的学习,力图对模因算法的设计进行改进。5.对典型个人信用评分方法进行分析与比较,提出基于综合智能信息处理的个人信用评估模型;6.对信用卡欺诈机制进行深入分析,建立信用卡欺诈侦测的专家规则模型与模因算法模型,并在此基础上构建信用卡欺诈侦测的智能决策系统。研究的主要成果及创新性:1.通过对模因算法的全局搜索策略与局部搜索策略进行改进,提出了一种基于PSO的改进型模因算法,提高了算法的全局搜索能力与收敛速度。2.将模糊逻辑运算融入神经元与神经网络结构中,结合模因算法进一步优化人工神经网络模型,从而构建了基于模因进化型模糊神经网络的综合智能信息处理模型。3.基于信用卡用户的样本数据,结合粗糙集约简方法,构建了基于综合智能信息处理模型的个人信用评估模型,并给出了可供实际操作的算法程序。4.对不同模型的评估结果进行了充分的实证分析与检验,证实了新建模型的显著成效。5.基于专家规则与模因算法等智能技术建立信用卡欺诈侦测模型,进而提出了信用卡欺诈侦测的智能决策系统。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 研究思路与框架
• 1.3.1 研究内容
• 1.3.2 研究方法
• 1.3.3 技术路线
• 1.3.4 论文结构
• 1.4 拟解决的关键问题与创新期望
• 1.4.1 拟解决的关键问题
• 1.4.2 研究的创新期望
• 第二章 信用卡风险管理
• 2.1 信用卡基本概念
• 2.1.1 信用卡及其分类
• 2.1.2 信用卡的特征与功能
• 2.2 信用卡风险
• 2.2.1 金融风险与信用卡风险
• 2.2.2 信用卡风险种类
• 2.2.3 信用卡风险成因
• 2.3 信用卡风险控制
• 本章小结
• 第三章 个人信用评分方法的比较分析
• 3.1 基于统计学理论的方法
• 3.1.1 判别分析
• 3.1.2 回归分析法
• 3.1.3 Probit 方法
• 3.1.4 分类树法
• 3.2 基于人工智能的方法
• 3.2.1 数据挖掘方法
• 3.2.2 人工神经网络方法
• 3.2.3 专家系统
• 3.2.4 进化计算方法
• 3.3 其它方法
• 3.4 个人信用评分方法的比较分析
• 3.5 评分模型改进的基本思想
• 本章小结
• 第四章 智能计算理论基础
• 4.1 人工神经网络
• 4.1.1 人工神经元模型
• 4.1.2 人工神经网络的结构
• 4.1.3 神经网络的特点
• 4.1.4 神经网络的学习方式
• 4.1.5 中间层及中间层节点数目的确定
• 4.2 模糊逻辑
• 4.2.1 模糊集合与模糊逻辑的基本概念
• 4.2.2 模糊逻辑系统的分类
• 4.3 粗糙集
• 4.3.1 知识与知识的表示
• 4.3.2 粗糙集相关概念
• 4.3.3 知识约简
• 4.3.4 决策规则
• 4.4 模因算法
• 4.4.1 模因算法原理
• 4.4.2 模因算法结构
• 4.4.3 模因算法特点
• 4.4.4 模因算法应用
• 本章小结
• 第五章 模因进化型模糊神经网络（M-FNN）模型研究
• 5.1 智能计算技术的特性分析
• 5.2 智能计算的集成研究
• 5.2.1 模糊逻辑与人工神经网络的集成
• 5.2.2 粗糙集与人工神经网络的集成
• 5.2.3 模因算法与人工神经网络的集成
• 5.3 M-FNN 模型
• 5.3.1 综合智能信处处理系统构建原则
• 5.3.2 模糊神经网络结构与算法分析
• 5.3.3 粗糙前置处理的M-FNN 结构设计
• 5.4 基于改进模因算法的模型训练
• 5.4.1 基本粒子群算法（PSO）
• 5.4.2 提出的算法
• 5.4.3 LS 策略
• 5.4.4 模型的训练
• 本章小结
• 第六章 基于M-FNN 的个人信用评分模型及其应用分析
• 6.1 个人信用评分机制
• 6.2 M-FNN 个人信用评分模型可行性
• 6.3 评估指标选择
• 6.3.1 指标选择的原则
• 6.3.2 评估指标体系
• 6.4 数据采集与处理
• 6.4.1 样本数据来源
• 6.4.2 样本数据处理
• 6.4.3 指标体系的建立与约简
• 6.5 基于样本的个人信用评分模型设计
• 6.5.1 基于逻辑回归的个人信用评分模型
• 6.5.2 基于BP 神经网络的个人信用评分模型
• 6.5.3 基于模糊神经网络的个人信用评分模型
• 6.5.4 基于M-FNN 的个人信用评分模型
• 6.6 仿真实验及结果分析
• 6.6.1 仿真实验
• 6.6.2 结果分析
• 6.6.3 初步结论
• 本章小结
• 第七章 信用卡欺诈侦测模型研究
• 7.1 信用卡欺诈侦测机理
• 7.1.1 信用卡欺诈的特点
• 7.1.2 信用卡欺诈的分类
• 7.1.3 信用卡欺诈侦测识别
• 7.2 欺诈侦测的专家系统
• 7.2.1 系统的组成
• 7.2.2 专家规则
• 7.2.3 应用分析
• 7.3 欺诈侦测的模因算法模型
• 7.3.1 模因算法应用于防欺诈的可行性
• 7.3.2 建立模因算法模型
• 7.3.3 全局搜索策略
• 7.3.4 局部搜索策略
• 7.3.5 算法的流程
• 7.3.6 应用分析
• 7.4 信用卡欺诈侦测的智能决策系统
• 7.4.1 系统拓扑结构
• 7.4.2 系统的主要功能模块
• 7.4.3 应用分析
• 本章小结
• 结论
• 参考文献
• 附录
• 攻读博士学位期间取得的研究成果
• 致谢