论文摘要
自上个世纪90年代以来,个人消费信贷业务随着中国经济的发展和内需的扩大迅速发展起来。为了更好的防范信贷风险和进一步推动个人消费信贷业务的发展,商业银行必须建立一套完善有效、科学合理的个人信用评级体系。决策树算法作为数据挖掘中应用最广泛的分类方法之一,有着准确率高,简单,高效等优点。因此非常适合应用于商业银行个人信用评级系统。本文从互联网上获取的商业银行的个人信贷数据出发,采用基于C5.0的决策树算法,经过数据采集,预处理、训练样本抽取,建立了个人信用评级的决策树模型。并且依据商业银行的实际需求,对决策树模型的成本矩阵和修剪程度进行了调整,形成了修正改进的模型。从模型的分类预测结果看,基于决策树方法的个人信用评级模型有着精确度较高、风险成本低、可控性强的优点。同时,本文选取了两种具有代表性的方法——Logistic回归和神经网络方法建立个人信用评级模型,将他们与决策树模型进行比较。结果表明:Logistic回归模型稳定性最好;神经网络模型精确度最高;而决策树模型风险成本最低,效率最高,并且整体表现最好。这进一步说明了基于决策树方法的个人信用评级模型在实际运用对于商业银行信贷人员进行信贷分析有一定的指导性作用,并能够为信贷决策提供支持。文章的结尾还对商业银行建立个人信用评级体系提出了一些建议。