基于贝叶斯模型平均的个人信用评分系统研究

摘要

近年来,随着消费信贷市场的发展,各金融机构都把消费信贷放在重点发展的位置,推动我国消费信贷的迅猛发展。总体来看,我国消费信贷发展稳定,但是信用评估技术的不完善依旧阻碍着我国消费信贷业务的发展。目前,我国的风险评估体系尚不完善,金融机构在没有全面掌握借贷者信息的情况下进行决策所冒风险太大。因此,对于银行风险管理来说，拥有一个高效的个人信用评分系统显得异常重要。目前，在信用评估方法研究领域中，学者们越来越多地意识到到单一模型存在的不足，因而组合模型渐渐被广泛应用于个人信用评分预测中，模型的预测精度也得到了大幅度的提高。但是，已有的这些个人信用评分组合模型中却很少有考虑了单一模型本身不确定性的。
　　文章利用2016年UCI上公开的著名台湾个人信用数据，将基于MC MC的贝叶斯模型平均方法引入到个人信用评分领域,应用贝叶斯模型平均方法度量模型的不确定性，从统计和非统计两个领域选择了三个最为常见的个人信用评分单一模型，即Logistic回归模型，BP神经网络和S VM（支持向量机），并在其对比的基础上，构建了两个个人信用组合模型，通过分类精度、第二类错判率、稳健性及解释性等方面进行了实证和比较。
　　通过对个人信用评估实证分析表明：无论是传统组合模型-随机森林模型，还是考虑了模型不确定性的贝叶斯模型平均，无论是在训练集还是在测试集上，组合模型的分类精度都要高于单一模型，组合模型的第二类错判率也有一定程度的下降。从模型的稳健性来说，随机森林个人信用评分模型的稳健性较其他模型略差，但是结合其在训练集和预测集上的优秀的分类表现来看，整体模型性能还是优于单一模型的；贝叶斯模型平均法结合了L ogi sti c回归模型和一般组合模型的优点，同时考虑了模型的不确定性，在分类精度和稳健性上都表现得较突出。

目录

声明

1 绪论

1 .1 研究背景与意义

1 .2 文献综述

1 .2.1个人信用评分国内外研究状况

1 .2.2贝叶斯模型平均国内外研究状况

1 .3 研究思路及内容

1 .3.1研究思路

1 .3.2研究内容

1 .4 研究方法和创新

1 .4.1研究方法

1 .4.2创新点

2 个人信用评分模型的相关理论

2 .1 传统统计模型

2 .1.1多元线性回归

2 .1.2 Logistic回归

2 .2 非统计模型

2 .2.1人工神经网络

2 .2.2支持向量机

2 .3 组合模型

2 .3.1随机森林组合预测方法

2 .3.2贝叶斯模型平均组合预测方法

3 个人信用评分模型实证分析

3 .1 个人信用评分中的数据预处理

3 .1.1个人信用数据描述

3 .1.2认识数据

3 .1.3数据清洗

3 .1.4数据归一化

3 .1.5个人信用数据的离散化

3 .1.6不平衡数据的处理

3 .2 指标选择

3 .3 算法建模

3 .4 模型效果评估

3 .4.1单一模型分类效果比较

3 .4.2组合模型分类效果比较

3 .5 个人信用评分

4 主要结论与展望

4 .2.1研究的不足

4 .2.2展望

参考文献