近年来，国际贸易愈发繁荣，一些问题也逐渐凸显出来，“次贷危机”一词再一次引发了诸多关注。引发“次贷危机”的诸多原因中重要的一个就是各个放款机构，比如传统的商业银行以及近些年发展迅猛的P2P(peer to peer lending)网络信贷机构对信贷客户的评价不够全面，不够科学，缺乏一整套合适的评价机制与评估模型。坏账、逾约等问题越来越发严重。尤其是在21世纪进入大数据时代以来，“及时行乐”成为了越来越多人的心理，个人信贷业务也随之愈加兴盛，相应的数据维度大大增加，传统的主观判定、评分法等已经不能满足当前的需求。信用评价的实质是一种分类问题，即分辨出哪些是不会逾期的“好”客户，哪些是可能会逾期的“坏”客户，由此再决定是否为其提供信贷服务。人工神经网络作为一种出色的分类工具，在建模之前不需要对输入和输出做某些固定的前提或者假设，能够自学习、自适应，具有很强的非线性映射能力以及容错机制，因而成为解决信贷问题的有力工具。BP神经网络是其发展最成熟的一个模型，在实际任务中使用神经网络时大多数都是使用BP算法进行训练的。因此，本文在介绍个人信用评价指标、神经网络以及模型的选择与评价标准等相应的理论知识的基础上，借助数据分析与处理软件R语言，对国内某金融公司的真实数据与德国某信用数据库提供的信贷客户数据进行清洗以及变量筛选之后，建立了一个相应的BP神经网络模型。通过正确率、AUC值等标准对所建立的模型进行评价，并以较好的拟合效果对相应的数据集做出了预测。
展开▼
