商业银行的个人信用评估研究院基于pca-ga-bp算法

《商业银行的个人信用评估研究院基于pca-ga-bp算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、商业银行的个人信用评估研宄院基于PCA-GA-BP算法王天擎WANGTian-qing曰刘小清UUXiao-qing(五邑大学经济管理学院，江门529020)(SchoolofEconomicsandManagement,WuyiUniversity,Jiangmen529020,China)摘要院随着个人消费贷款的普及，贷款人的个人信用评估变得尤为重要。木文选取德国和澳大利亚某商业银行的个人信贷数据为样木数据，采用主成分分析提取样木数据的主成分，通过遗传算法优化祌经网络的网络结构、初始连接权值和阀值，然后将优化的神经网络算法用于个人信用评估。与其他算法的准确率比较的结果表明，基于

2、主成分分析一遗传算法一神经网络算法的个人信用评估准确率要高，而且模型的网络结构得到优化，运算时间也有缩短。Abstract:ThispaperselectsthepersonalcreditdataofacommercialbankinGermanyandAustralia,extractsthemaincomponentbyprincipalcomponentanalysis,andthenoptimizesnetworkstructure,initialconnectionweightsandthresholdsofneuralnetworkbygeneticalgorithm

3、,finally,accordingtothisimprovedneuralnetworktechnology,evaluatespersonalcredit.Finally,itcomparestheaccuracybasedonthisalgorithmtotheseaccuraciesbasedonotheralgorithms.Accordingtotheresults,theaccuracybasedonthisalgorithmisbetterthantheseaccuraciesbasedonotheralgorithms.关键词院商业银行；个人信用评估；主成分分析；

4、遗传算?去；BP算去Keywords:businessbank;personalcreditevaluation；PCA；GA；BP中图分类号院F22;F830.5文献标识码院A文章编号院1006-4311(2014)31-0161-030引言随着社会经济的发展，个人消费贷款越来越普及，如何评估贷款人的信用是各商业银行亟需解决的问题。个人信用评佔是对可能引起信用风险的因素进行定性分析、定量计算，以测算消费者的违约概率，可通过现有的样木数据建立模型预测未来申请人的信用行为，以区分出“好”客户和“坏”客户[1](即能否还本付息)，它属于多属性决策的分类问题。0前人们己经提出多种分类方法

5、［1-6］,并取得一定的应用效果，但由于数据属性较多，属性间的自相关性等各种实际情况使得信用评估问题仍未得到有效解决。因此研究冇效的信用评估方法具有理论意义和实用价值。近年来，以神经网络为代表的新型客户分类技术得到了广泛泣用。BP(BackPropagation)是0前应用最广泛的神经网络模型之一，它是一种按误差逆传播算法训练的多层前馈网络，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。但是，BP神经网络有诸如收敛速度慢、不能保证收敛到全局最小点、网络的中间层及其单元数选取无理论指导以及网络学习和记忆的不稳定性等缺陷。于是，人们提出了许多改进算法，如用具有很强的全

6、局优化能力的遗传算法(GeneticAlgorithm，GA)优化神经网络的初始权值和阈值，以保证神经网络更精确地输出预测函数［7】。事实上，我们需要信用评估的数据属性很多(如行为人的自然属性、社会属性、行为属性等)，每个属性都包含多个维度，且变量间具有相关性，若直接对样本数据进行评估，则需要较好的硬件基础和较长的模型运行时间。而主成分分析(PrincipalComponentAnalysis,PAC)在处理信息重叠问题上具宵巨大的优势和潜力，能更好地抓住事物的主要矛盾，大大缩减信用评估问题的空间维度，使模型得到简化。基于此，本文将PCA-GA-BP三者结合，提出一种基于主成分分析

7、和遗传算法优化神经网络的个人信用评估方法，即利用主成分分析在处理大数据量、消除冗余信总等方面的优势，减少BP网络训练数据的维度；利用遗传算法来训练BP网络的权重和阈值形成遗传算法优化的神经网络模型(GA-BP),以克服BP网络的不足。1PCA-GA-BP的基本原理1.1GA-BP网络预测模型一般BP网络采用3层结构:输入层的个数由输入数据的特征维数决定；输出层的个数由输出状态数确定;隐含层节点个数根据经验公式计算，即p=姨m+l+a，a为1~10的常数，m个输入节点，