基于RF和APSOLSSVM的兩階段信用評估研究.pdf

1、在互聯(lián)網(wǎng)飛速發(fā)展的信息時代，我們的衣食住行等生活的諸多方面都發(fā)生了翻天覆地的變化，尤其是移動互聯(lián)網(wǎng)與金融的結(jié)合，正悄然改變著人們的消費習(xí)慣，拉動了國內(nèi)的居民消費浪潮。在互聯(lián)網(wǎng)金融對消費的刺激作用下，人們越來越依賴信用交易的方式進行消費。目前信用消費的規(guī)模正飛速增長，但信用消費在拉動經(jīng)濟的同時也帶了諸多問題，由于我國缺乏較為公正的第三方信用評級體系，商業(yè)銀行各自的客戶信用信息不被共享，因此我國的個人征信系統(tǒng)還不完善，相應(yīng)的缺乏比較全面的信

2、息來衡量每個人的違約風(fēng)險，另外，在風(fēng)險的控制和管理上也存在明顯不足，沒有一套科學(xué)有效的信用評估體系，此外，授信額度的判定也尚未有一個明確的解決辦法。而在信用交易規(guī)模的趨勢日益擴大的今天，對個人信用評估的重要性和準(zhǔn)確度的要求都越來越高，對評估方法的改進也顯得尤為重要。建立一個全國共享的個人信用信息基礎(chǔ)數(shù)據(jù)庫勢在必行，目前已經(jīng)由中國人民銀行牽頭，建設(shè)一個全民社會征信制度和體系，來約束人們遵紀(jì)守法，提高誠實守信的意識。由此可見，對個人信用進行

3、合理的預(yù)測和評估，一方面對商業(yè)銀行的信用風(fēng)險管理體系有一定的借鑒作用，促進銀行等金融機構(gòu)授信業(yè)務(wù)的穩(wěn)健發(fā)展，另一方面可以在一定程度上防范金融風(fēng)險，盡量規(guī)避客戶的違約風(fēng)險，收益性與安全性統(tǒng)籌兼顧。
　　學(xué)術(shù)研究方面，國內(nèi)外學(xué)者從定性和定量的角度對個人信用評估也進行了一系列的研究，涉及到計量學(xué)、統(tǒng)計學(xué)、人工智能和機器學(xué)習(xí)等多個領(lǐng)域，但目前為止尚未形成一種穩(wěn)健、可靠、通用的個人信用評估模型及體系。而我國商業(yè)銀行等信貸機構(gòu)在個人信用評估的

4、實際操作中，與國外尚有一定的差距，手段方法及技術(shù)比較落后:一方面主觀因素較大;另一方面人工操作，效率較低。因此本文以個人信用評估方法為研究中心，結(jié)合國內(nèi)外的研究及現(xiàn)實數(shù)據(jù)，試圖構(gòu)建一種新的個人信用評估方法，即將隨機森林算法(RandomForest，RF)、自適應(yīng)粒子群優(yōu)化算法(Adaptive Particle Swarm Optimization，APSO)和最小二乘支持向量機算法(Least Squares Support Vec

5、tor Machine，LSSVM)結(jié)合起來，研究了新的組合模型的信用評估效果，其中利用了隨機森林算法的特征向量的重要性估計做了特征選擇，研究了刪減重要性程度低的特征變量對模型分類性能的影響，以推動個人信用評估研究的深入，同時為商業(yè)銀行提供一種可參考的信用評估方法。
　　本文以個人信用評估方法為研究對象，引入了隨機森林算法、自適應(yīng)粒子群優(yōu)化算法和最小二乘支持向量機算法。個人信用評估實質(zhì)上可以看作是一個分類問題，即將總體客戶劃分為好

6、客戶（不違約客戶）和壞客戶（違約客戶），因此個人信用評估屬于模式識別的研究范圍。通過選取樣本數(shù)據(jù)，并進行數(shù)據(jù)的預(yù)處理，最后構(gòu)建了RF和APSOLSSVM的兩階段信用評估模型，并在實證中進行了比較分析。
　　為了實現(xiàn)研究目標(biāo)，本文章節(jié)安排如下:
　　第一章，引言。該章節(jié)介紹本文的選題背景和意義，研究方法、思路和章節(jié)安排。闡述目前我國信用消費的發(fā)展趨勢，并指出研究個人信用評估的重要意義，總結(jié)了本文進行研究所用到的研究方法和內(nèi)容框

7、架。
　　第二章，個人信用評估及其現(xiàn)狀研究。理論部分的研究包括個人信用評估的理論基礎(chǔ)，國內(nèi)外已被研究應(yīng)用于信用評估模型的算法理論概括，是本文的理論基礎(chǔ)。本章節(jié)通過研究個人信用相關(guān)的基礎(chǔ)理論和國內(nèi)外算法的研究現(xiàn)狀，對國內(nèi)外個人信用評估的研究成果進行梳理，將本文涉及到的個人信用評估算法分三類進行介紹。
　　第三章，RF-LSSVM的算法構(gòu)建。本章主要講解RF和LSSVM算法的基本原理，以及每個算法各自的特征分析，最后闡述了RF-

8、LSSVM算法如何運用于信用評估的分類問題，算法可行的基本原理和構(gòu)建組合方法的具體實現(xiàn)步驟。
　　第四章，信用數(shù)據(jù)集介紹及實驗前準(zhǔn)備工作。介紹實驗中涉及的4個信用數(shù)據(jù)集的樣本信息，以及實驗前數(shù)據(jù)預(yù)處理，闡明算法的參數(shù)設(shè)置和模型評估的標(biāo)準(zhǔn)。
　　第五章，RF-LSSVM算法在個人信用評估中的應(yīng)用。實證研究部分是將新建立的模型應(yīng)用于信用數(shù)據(jù)集，通過模型之間的比較和數(shù)據(jù)集上的實證結(jié)果分析，來檢驗新方法的可適用程度。
　　第六

9、章，結(jié)論與展望。最后結(jié)論和展望部分，總結(jié)概括全文，分析不足之處以及未來可發(fā)展的方向。
　　本文在總結(jié)國內(nèi)外個人信用評估模型的基礎(chǔ)上，提出了一種新的組合模型:RF-APSOLSSVM模型，在對模型進行實證檢驗時，選取了UCI機器學(xué)習(xí)公開的德國信用數(shù)據(jù)集，澳大利亞真實信用數(shù)據(jù)集和國外研究者提供的英國信用數(shù)據(jù)集、波蘭信用數(shù)據(jù)集。在實驗前，這些信用數(shù)據(jù)集都經(jīng)過了填補缺失值、指標(biāo)賦值、歸一化等一系列的數(shù)據(jù)預(yù)處理。同時，本文共選取了8個比較有

10、代表性的信用評估模型，分別在上述這四個信用數(shù)據(jù)集上建模，與本文提出的組合分類器的預(yù)測結(jié)果進行比較分析，更加全面地驗證了組合模型RF-APSOLSSVM的適用性和分類的有效性。實驗結(jié)果表明了本文所構(gòu)建的組合模型RF-APSOLSSVM的分類性能要優(yōu)于大部分的個人信用評估模型。本文的結(jié)論可以歸結(jié)為以下幾個方面:
　　(1)組合模型可以取得更好的預(yù)測結(jié)果。隨機森林模型具有OOB估計、特征變量重要性估計的優(yōu)勢，但RF模型的預(yù)測精度與APS

11、OLSSVM模型相比略差一些，因此RF模型通過與APSOLSSVM模型相結(jié)合，不僅可以利用到特征變量重要性的估計結(jié)果進行了特征選擇操作，還可以較為良好的預(yù)測精度，在一些信用數(shù)據(jù)集上，組合模型的結(jié)果甚至優(yōu)于APSOLSSVM模型。
　　(2)不同的特征選擇會帶來預(yù)測結(jié)果的變化。APSOLSSVM模型的運算時間很長，RF-APSOLSSVM組合模型使得一些相對重要程度不高的變量得以刪減，特征變量的刪減使得組合模型的運算速度遠遠快于AP

12、SOLSSVM模型的運行速度，并且在分類正確率上也優(yōu)于RF和APSOLSSVM模型。
　　(3)本文提出了模型組合的一個很好的思路。由于RF模型在0.5的投票率附近區(qū)間，模型的誤判率較高，因此剝離出該區(qū)域范圍內(nèi)的樣本，交由APSOLSSVM模型進行預(yù)測，采取這種兩階段的模型組合方法，使得組合模型最后的預(yù)測結(jié)果，與RF模型的預(yù)測結(jié)果相比有大幅度的改善。
　　綜上所述，通過本文實證研究證明了RF和APSOLSSVM的兩階段組合模