Logistic回歸及其相關(guān)方法在個(gè)人信用評(píng)分中的應(yīng)用.pdf

1、近年來(lái)，隨著經(jīng)濟(jì)的快速發(fā)展，人們的消費(fèi)觀念也隨之改變，人們?cè)絹?lái)越傾向于提前消費(fèi)，越來(lái)越多的人向銀行或者商業(yè)公司等金融機(jī)構(gòu)申請(qǐng)貸款，申請(qǐng)人往往關(guān)心能否被授予貸款。銀行等金融機(jī)構(gòu)則關(guān)注申請(qǐng)人是否能按事先約定的時(shí)間償還貸款，他們應(yīng)用信用評(píng)分模型來(lái)作為評(píng)估個(gè)人信用評(píng)分的工具，判斷是否將貸款授予申請(qǐng)人，同時(shí)預(yù)測(cè)申請(qǐng)人是違約顧客還是信譽(yù)顧客。如何將銀行等金融機(jī)構(gòu)的損失降到最小，使利潤(rùn)獲得最大，是信用決策者一直關(guān)注的問(wèn)題，因此，建立合適有效的信用評(píng)分

2、模型顯得尤為重要。
　　本文采用非平衡個(gè)人信用數(shù)據(jù)，在對(duì)非平衡數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，采用重抽樣方法中的隨機(jī)過(guò)抽樣方法，應(yīng)用模型選擇影響個(gè)人信用評(píng)分的因素時(shí)，采用傳統(tǒng)的Logistic回歸方法，以及在Logistic回歸方法上進(jìn)行改進(jìn)的Lasso-Logistic回歸、Adaptive Lasso-Logistic回歸三種方法，Lasso-Logistic回歸在似然函數(shù)上加了懲罰項(xiàng)，Adaptive Lasso-Logistic回歸在懲

3、罰項(xiàng)上加權(quán)重，對(duì)不同的回歸系數(shù)給予不同的懲罰，即用適應(yīng)性的權(quán)重來(lái)懲罰不同的系數(shù)，在計(jì)算系數(shù)權(quán)重時(shí)，AdaptiveLasso-Logistic回歸方法分別將極大似然估計(jì)和嶺估計(jì)作為最初的估計(jì)，通過(guò)對(duì)個(gè)人信用評(píng)分?jǐn)?shù)據(jù)的分析，以最小誤分類錯(cuò)誤和預(yù)測(cè)精度作為衡量標(biāo)準(zhǔn)，并采用ROC曲線進(jìn)行驗(yàn)證，分析比較幾種方法在信用評(píng)分中的預(yù)測(cè)結(jié)果。
　　通過(guò)對(duì)信用數(shù)據(jù)應(yīng)用上述幾種方法，實(shí)踐結(jié)果表明，Logistic回歸及其改進(jìn)的方法都具有很好的穩(wěn)健性和

4、可解釋性，相比較而言，Logistic回歸的預(yù)測(cè)精度確是最低的，而誤分類錯(cuò)誤也是最高的，由于Lasso-Logistic回歸在 Logistic回歸方法上進(jìn)行了懲罰估計(jì)，其選擇了相對(duì)較少的變量，降低了模型的復(fù)雜度，并且提高了模型的預(yù)測(cè)精度，減少了誤分類錯(cuò)誤。Adap tive Lasso-Lo gistic回歸方法給予每個(gè)系數(shù)適應(yīng)性的權(quán)重，最初估計(jì)選用極大似然估計(jì)時(shí)，模型表現(xiàn)出最好的預(yù)測(cè)精度以及最低的誤分類錯(cuò)誤，同時(shí)第I類錯(cuò)誤和第II類