基于支持向量机的互联网金融个人信用评估方法研究.pdf

《基于支持向量机的互联网金融个人信用评估方法研究.pdf》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、—－■—．Ｖ＇‘—；凝护Ｔ背苗，敦学板化巧：＂４８２■＃Ｖ－．诗：；学号：１４０５０６０２０００２妄芦．糾爆漸才姑丈您扇養燕－．．．ＺＨＥＪＩＡＮＧＵＮＩＶＥＲＳＩＴＹＯＦＦＩＮＡＮＣＥＡＮＤＥＣＯＮＯＭＩＣＳｒ＇、‘結：巧ｒ古单化论文祥知．＇．？感．：是；＇－．：．．，：／：．Ｖ％、怎诺巧：苗满每＇＇．－．．－‘’．：一－．Ｖ巧町下片＾妄的、争ＭＡＳＴＥＲＳＤＩＳＳＥＲＴＡＴＩＯＮ二－谷么巧论义厘目基于支巧向量机放直联网金？＇■■■，■■■？■＇■？－杯？ｖ、苗心

2、—蒂．Ｓ；．議苗分个人但用评估方法研巧邊塾马二Ｖ－．’．．＾．．．可再—．Ｉ．－■＇＾－．．—．Ｗ＇作者姓名连程．？．－－？、．一；－－■－、．片．；．Ｖ：－＇夸业么业餐巧苗等—Ｖ；，詳■一＊记？一？妾壤。航ｔ学徐巧Ａ管理与工程学掠邊祭辑－．＇。一一＇＇］一．、－－中、Ｖ＇‘＇．．＇．．．＇＾＇－．二．巧：．；Ｖ．－巧：巧＼；杳．；、＊．巧ｖ．：．＇＇＇＞穿＇．’＇‘＇’＇八．．淨＇、坏、女巧导巧师規建荣聲铺寒餐‘—’－？—

3、．．．‘．＾？＇‘‘．．．、．－、．：．．八；：：Ｖｖ．■—ｉ己＾‘公＜巧三’＇；－２０１６１２ｉ年月＞為邊告完日議成巧、一＾！■？■＇ｗ？－．Ｌ．？＿＇‘‘－．．’－Ｊ：．－、，ｒ一．三．；＊—．＇－－＾＾－＞．＾＾＾，；片巧＇．若苗七＾－，苗；－；＞．，广—＾；．又再’＾＾＾．．Ｉ．＇＇．巧巧＇‘Ｖ方．＾：．巧町巧巧，节；心：．－＾－：．．心＇－＇，护於：Ｖ＇■一；－‘己Ｖ＾■？．片丫一＇中．￣－＇－啼女■■ｉ；、＇．．巧．Ｖ■．＇．－．．＇’？．．－’．少．－＇

4、一一一，—．―心＇ｒ＇■：戸ｙ．．＇’，一一．－’—＇一．；＇－．一：＇；Ｖ．．乂、．衣足乂产、ｖ、心：并：，－＇．■＇＾：人＇．片节■’■－卢＇－三－．＇．＇：．Ｃｉ－：Ｃ＂．；节１ｗ＇．兴？＇．＇一—…＇■．■品－‘－“．Ｖ－．－＇．＇，Ｖ．．迄Ｖ＇＇．ｖ一Ｘ．：：成祀常．：沪硕士学位论文基于支持向量机的互联网金融个人信用评估方法研究2016年12月MASTERSDISSERTATIONInternetFinancialPersonalCreditAssessmentBasedonSupportVectorM

5、achine(SVM)MethodDecember2016浙江财经大学硕士学位论文摘要中国经济的快速发展，提高了居民信用消费能力。互联网金融的快速发展，为居民信用消费提供了便利，个人住房按揭贷款、个人小额贷款、信用卡消费贷款等信贷产品如雨后春笋般涌现。随着中国经济进一步信用化，信用消费拉动经济增长的作用进一步凸显，居民信用消费意愿和能力正稳步上升。国内各互联网金融机构纷纷把个人消费贷款业务作为未来的发展战略之一。但是，国内的互联网金融机构对个人消费贷款的风险管理水平相对较低，管理手段和方法还比较落后。此外，互联网金融机构不存在有效的个人信用评估方法，这严重阻碍了个人信贷业务

6、的发展。有效的信用评估模型不仅能增加互联网金融机构的利润，而且还能扩大互联网金融机构的信贷规模。因此，个人信用评估方法的研究意义重大。在互联网金融时代，信用数据获取的方式发生了改变，不仅可以从传统的金融机构获取信贷数据，还可以从电商平台获取电商数据以及从社交平台获取社交数据。伴随而来的是信用数据规模的大幅度增长，信用评级业务面临着巨大的机遇和挑战，如果缺乏大数据的处理能力，就无法充分挖掘潜藏在海量信用数据背后的价值。互联网金融机构已经使用定量模型来评价消费者个人的信用风险，它的研究重点之一是信用评价模型。支持向量机是数据驱动型模型，它在监督式学习过程中对数据处理，不需要对数

7、据做特别的假设。当数据量丰富或容易获取时，支持向量机的优势更加明显，所以，它得到了学者的青睐。支持向量机的泛化能力相对其它的模型更好，本文提出了基于支持向量机的集成模型。基于大数据时代背景下对互联网金融个人信用数据进行评估，本文在数据分析与整合方面进行探索分析。本文在现有研究的基础上，提出了基于支持向量机的集成模型RSBC-SVM，它以支持向量机作为基学习器，结合了bagging和randomsubspace两种常见的集成策略以及相关性最小化集成选择方法。此外，它还使用了模式搜索算法进行参数优化。RSBC-SVM模