论文部分内容阅读
信用风险已经是商业银行所面临的重要风险之一,特别是在在信用卡、住房按揭、汽车贷款等信贷业务中,如何有效进行信用风险管理已经成为了银行亟需解决的问题。而合适的信用评级方法是有效降低信用风险的有效途径之一。目前在信用评级领域,已有很多学者做出了探索和研究,利用统计学习、机器学习、数据挖掘和人工智能的方法而构建的信用评级模型都被相继提出。信用评级模型的精度会关系到银行一些重要决策的做出,为此,本文也对如何提高模型精度进行了深入研究。支持向量机(SVM)自提出以来已经得到了迅速的发展,广泛应用于多个领域,本文将SVM应用到信用评级领域。但是利用SVM训练模型,有核函数参数优化和样本特征选择这两个难点。对于这两个问题的解决,论文引入粒子群算法(PSO), PSO作为一种群体智能算法,在复杂问题的寻优方面具有明显的优势。将其与SVM结合构建混合信用评级模型可以明显提模型的分类精度。为了进一步提高模型分类的准确率,论文在此研究基础之上,一方面提出构造新的混合核函数代替常用的RBF核函数；另一方面,在保留PSO原有优势的基础之上,加入混沌机制,增强粒子空间搜索能力。本文的主要研究内容如下：(1)对SVM中参数优化和特征选择问题进行了研究,并重点对RBF核函数的SVM中关键参数C,γ进行了分析,说明其对SVM性能的影响。(2)将单核的SVM与基本PSO相结合,构建混合的信用评级模型：SVM-PSO。并将该模型的分类效果与目前常用的模型进行对比分析。(3)对SVM中的核函数进行了重点分析,在常用单核核函数的基础之上提出混合核函数,将局部核函数和全局核函数结合起来,使远距离和近距离的数据样本点都能对核函数的值产生影响。(4)在对基本PSO研究的基础上,引入混沌机制,提出混沌粒子群算法,克服基本粒子群算法过早陷入局部最优的缺点,改善算法的寻优能力。并利用优化的粒子群算法同时进行特征选择和参数优化,降低模型计算复杂度。(5)在SVM-PSO信用评级模型的基础之上,将混合核函数的SVM和混沌粒子群算法相结合,提出优化的信用评级模型MKSVM-CPSO。通过综合比较结果,说明该模型在解决信用评级分类问题上的有效性,最后通过统计学的方法对实验结果进行验证。