下载文档原格式
基于神经网络的信用评价模型建立及其应用研究近年来，随着互联网金融的快速发展，信用评价的重要性变得越来越明显。
传统的信用评价模型主要基于统计和数据挖掘算法，而基于神经网络的信用评价模型则是近年来的研究热点之一。
本文将深入探讨基于神经网络的信用评价模型的建立及其应用研究。
一、基于神经网络的信用评价模型的特点基于神经网络的信用评价模型主要依赖于人工智能技术进行建模和学习，可以自适应地调整权重和阈值，具有很强的非线性模拟能力。
与传统的信用评价模型相比，它具有以下特点：1.可处理大量的非线性因素传统的信用评价模型通常只考虑了少数几个指标，比如收入、征信记录等因素，而基于神经网络的信用评价模型可以处理大量的非线性因素，例如人际关系、网络行为等。
这些因素往往与信用评价密切相关，而且具有很强的复杂性和不确定性，难以用传统的方法进行建模和计算。
2.具有高精度和高可靠性由于神经网络的非线性建模能力，基于神经网络的信用评价模型具有高精度和高可靠性。
它可以自适应地调整模型参数，使得预测结果更加准确和可靠。
而且，随着数据量的增加和算法的优化，模型的精度和可靠性还会不断提升。
3.适应各种信用评价场景基于神经网络的信用评价模型不仅可以应用于传统的信用评价场景，例如银行信用卡、贷款等，还可以应用于更加广泛的场景，例如社交网络、电子商务等。
这些场景具有不同的数据特征和催化因素，如果用传统的方法进行建模或预测，难度很大。
二、基于神经网络的信用评价模型建立过程基于神经网络的信用评价模型建立过程一般包括以下几个步骤：1.数据采集和处理信用评价模型需要大量的数据作为输入，因此，数据采集和处理是模型建立的第一步。
数据可以来自各种渠道，例如银行、第三方支付平台、征信机构等。
在采集数据的同时，还需要对数据进行预处理，例如去除重复数据、填补空缺值、异常值处理等。
2.特征选择和提取在数据采集和处理的基础上，需要进行特征选择和提取。
特征是模型建立的关键，它直接影响模型的精度和可靠性。
基于人工神经网络的信用评分模型研究人工智能技术的快速发展已经深刻影响了现代社会的各个领域。
其中，基于人工神经网络的信用评分模型成为金融领域的一个热门研究方向。
本文将从以下几个方面对基于人工神经网络的信用评分模型进行探讨。
一、人工神经网络的基本原理人工神经网络是一种模仿人类大脑思维行为所设计的数学模型，是一种基于输入数据和调整权重的多层网络。
它可以通过训练样本来提取出模式，并学习其特征，从而产生判断或预测的结果。
神经网络的基本元素包括神经元、权重、激活函数等。
神经元是神经网络的基本组成单位，它接收来自其他神经元的输入，并输出结果。
权重是衡量不同神经元之间连接强度的参数，也是进行训练的关键数据。
激活函数则是对神经元输出进行处理的函数，常用的激活函数包括sigmoid函数、tanh函数和ReLU函数等。
二、基于人工神经网络的信用评分模型在金融领域中，信用评分模型是用于评估借款人信用风险的一种重要工具。
传统的信用评分模型主要依据最小二乘法、广义线性模型等线性统计模型进行建模。
然而，这些模型在处理高维度、非线性问题时存在一定的局限性。
基于人工神经网络的信用评分模型则可以对多维度、非线性的信用评估进行更为精准的处理。
它通过对历史数据进行学习和训练，在对新数据进行预测时能够对经验模式和规律进行学习和发现。
三、基于人工神经网络的信用评分模型研究现状目前，基于人工神经网络的信用评分模型已经得到了广泛的研究和应用。
研究者们通常从以下几个方面进行探索。
3.1 数据预处理在基于人工神经网络的信用评分模型中，数据预处理是非常重要的一环。
传统的数据预处理方法包括缺失值填补、异常值处理、特征选择等。
而基于神经网络的数据预处理方法则包括数据标准化、特征转换、数据降维等。
3.2 模型选择在基于人工神经网络的信用评分模型中，不同的模型结构会对准确性产生不同的影响。
目前，常见的神经网络结构包括单层神经网络、多层感知器、循环神经网络、卷积神经网络等。
基于XGBoost算法模型的金融客户信用评估研究作者：陆健健江开忠来源：《软件导刊》2019年第04期摘要：针对银行客户信用评估模型不健全不完善等问题，在对比随机森林（RF）、GBDT和XGBoost三种集成算法基础上，提出基于XGBoost算法的金融客户信用评估模型。
从知名的UCI数据库中选取德国某银行客户信用数据集，在对数据进行缺失值、标准化等预处理后，分别对随机森林（RF）、GBDT算法和XGBoost三种集成算法建立个人信用评估模型，然后依据计算得到的相关多元评价指标对个人信用评估进行对比研究。
实证结果表明，建立在XGBoost集成算法上的个人信用评估模型性能最优，在准确率指标上比随机森林（RF）高出6%，比GBDT算法高0.8%。
关键词：信用评估;XGBoost算法;随机森林（RF）;GBDT算法;ROC曲线DOI：10. 11907/rjdk. 182067中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2019）004-0133-040 引言随着市场经济体制在全球的逐步确立，投资交易、经济融资、证券交易等业务在世界快速拓展。
然而，由于市场经济的固有缺陷以及参与主体的纷繁复杂，使得诸多经济业务难以畅通有效运行，拥有交易秩序“润滑剂”作用的信用评级应运而生。
经过150年的发展，信用评级体系已经从资本市场、商业市场以及消费者个人3个层次对所有市场经济活动进行了覆盖，标普、穆迪等国际性信用评级公司为世人所熟知。
伴随着互联網技术的广泛应用，金融机构面向个人推广的服务在业务模式和运行机制上也愈发多样。
然而，在个人消费信贷业务活跃度显著提升的同时，其所带来的个人信用风险也呈现分散化、普遍化、非系统化等特点，给金融机构带来莫大的困扰。
因此，无论是国家还是金融机构，对精准、有效的个人信用评估模型需求都越来越大。
我国的信用评分研究起步较晚[1]。
经过几十年的发展，中国人民银行征信中心是我国目前为止唯一一家负责个人征信系统建设、运行和管理的权威信用评级机构。
使用神经网络进行信用评估研究信用评估是风险管理中必不可少的一环，它可以帮助银行或其他金融机构评定借款人的信用风险，确定其是否值得放款。
在传统的信用评估模型中，主要采用的是定量的数学模型和统计方法，但这些方法难以适应不断变化的金融市场和借款人信息，并且也难以刻画人的个体差异。
因此，近年来，人工智能和机器学习技术的发展使得使用神经网络进行信用评估成为了可能。
一、神经网络概述神经网络是一种模仿生物神经系统结构和功能的数学模型，它由一些简单的处理单元（神经元）之间相互连接而成，并通过改变连接权值和神经元的阈值来实现信息的处理和传递。
在模拟人的信用评估时，神经网络可以把借款人的各种信息输入，包括个人基本资料、信用历史、家庭收入、职业等等，通过训练和学习得到一个信用评分，从而帮助银行或金融机构评估借款人的信用风险。
二、神经网络在信用评估中的应用神经网络在信用评估中的应用可以分为两个方面，一是信用评估模型的构建，二是信用评估结果的应用。
对于信用评估模型的构建，需要先确定哪些因素对信用评估有影响，这些因素可以来自借款人的个人信息、历史信息和市场信息等。
然后通过神经网络的训练和学习来确定这些因素对评分的权重和影响程度，从而得到一个准确的信用评估模型。
对于信用评估结果的应用，银行或金融机构可以借此来决定是否给借款人放款，以及放款的大小和利率等条件。
此外，一些企业如信用卡公司、保险公司等也可以使用神经网络进行信用评估，以便更好地控制风险和赚取收益。
三、神经网络在信用评估中的优势相对于传统的定量方法，神经网络在信用评估中具有很多的优势。
首先，神经网络的输入和输出都可以是非线性的，这样可以更好地建模和处理非线性复杂数据，从而使得模型更加准确和可靠。
其次，神经网络可以使用多种不同的神经元类型和拓扑结构，从而可以更灵活地适应不同的评估需求。
此外，神经网络还具有自适应学习能力，可以根据不同的训练样本进行学习和适应，从而可以更好地应对不同的市场和环境变化。
基于BP神经网络的个人信贷信用评估的研究摘要：经济的快速发展，也就让信用消费成了一种重要的消费方式，因此个人信贷信用评估的研究就有着重要的意义。
本文基于德国信用数据库数据，分析了在BP神经网络下的个人信贷信用评估。
在了解信用评估的体系及方法的基础下，建立BP神经网络模型，进行练习和测试，最后得出能够以较高的准确率对贷款者的信用做出预测。
关键词：BP神经网络；个人信用评估；信用风险Abstract：With the rapid development of economy, credit consumption has become an important way of consumption. Therefore, the study of personal credit assessment is of great significance. Based on the German credit database data, in this paper, we analyze the credit evaluation of personal credit under the BP neural network. On the basis of understanding the system and method of credit evaluation, the BP neural network model is set up to carry out practice and test. Finally, it is concluded that the credit of the lender can be predicted with higher accuracy.Key words：BP neural network；Personal credit assessment；Credit model目录摘要 (I)Abstract (I)目录........................................................... I I 1引言. (1)1.1研究背景 (1)1.2研究意义 (1)2 BP神经网络模型 (2)2.1 BP神经网络模型简介 (2)2.2 BP神经网络算法 (3)2.2.1 BP神经网络算法的基本思想 (3)2.2.2 BP神经网络算法的基本步骤 (3)3个人信贷信用评估的体系及其标准 (4)3.1个人信贷信用评估的概念 (4)3.1.1个人信贷信用风险 (4)3.1.2个人信贷信用风险评估的意义 (4)3.2个人信贷信用评估的体系与方法 (5)3.2.1个人信贷信用风险评估的体系 (5)3.2.2个人信贷信用风险评估的方法 (7)4基于BP网络的个人信贷信用评估的实现 (7)4.1神经网络建模 (7)4.2个人信贷信用评估的实现 (8)4.3实验结果与分析 (9)5结语 (11)参考文献 (12)附录 (13)附录A信用评分标准 (13)附录B程序源代码 (16)1引言1.1 研究背景对客户行为模式的分析，对于每一个行业都至关重要。
基于Adaboost-BP神经网络的个人信用评估研究摘要：随着我国社会主义经济转型，国内各大商业银行积极扩展个人信贷业务。
同时为了符合银行风控的要求，个人信用评估体系的建立变得尤为重要。
为保证银行和借贷人员双方的利益，根据所给信息以及相关数据，建立对应评估模型至关重要。
关键词：Adaboost-BP神经网络；个人信用评估；研究引言伴随着全球市场化，金融自由化的迅猛发展，国内银行业竞争加剧，借贷业务得到大面积推广，个人信贷业务种类也越来越丰富，银行自身对风控评估也愈发重视。
1 课题研究现状由于我国的个人信用评估系统刚刚起步，且没有统一体系，所以大部分商业银行仍然靠人为审查和人民银行征信系统来进行对借款人优劣的判定。
少数大型商业银行则引进国外个人信用评估体系，如招行银行采用了Fairsaac公司的信贷审核决策系统，浦发银行则引入SAS的风险审批系统，这些都对掌握客户基本信息，了解客户还贷能力和风控方面有积极作用，但仍有其自身在某方面与我国国情不符的缺陷。
2 模型建立与求解2.1 基于BP神经网络的个人信用评估模型的建立首先，运用MATLAB将数据标准化并随机抽取560名优质客户和240名不良客户作为训练集，其余140名优质客户和60名不良客户作为测试集。
基于这些数据，利用基础BP神经网络法和Adaboost改进BP神经网络算法构建模型并进行测试。
（1）权重的修改方式一般情况下，权重的修改有两种方式：意识对于每个训练集样本，只调整一次权重，称为On-line处理；另一种是输入全部训练集样本之后才修改一次权重，称为Batch处理。
本文将采用第二种方式。
（2）初始权重与初始输入的确定由于输入初始值和初始权重对训练是否达到局部最小和是否收敛的关系很大，有必要对输入的初始值进行归一化处理。
（3）网络层次的选择网络层次的增加可使各隐层神经元个数减少，同时使训练过程变得更容易，但有可能增加网络的训练时间。
本文所建立的模型是用于模式分类的判别函数的神经网络，因此将采用三层BP网络。
基于神经网络的信用评价模型研究第一章绪论随着社会经济的发展和现代化程度的提高，信用问题越来越受到人们的关注。
信用评价是一种重要的社会信用体系建设方式，它可以根据个人或企业的信用历史记录，通过对其信用行为的评估，为金融机构、担保机构、投资人和商业伙伴等提供科学的参考意见。
而随着大数据的普及和人工智能技术的不断发展，基于神经网络的信用评价模型也逐渐成为了当前研究的热点。
本文将在探究传统信用评价模型存在的问题和神经网络技术原理基础上，详细介绍基于神经网络的信用评价模型的研究现状，分析其特点和优势，并探讨其应用前景和发展方向。
第二章传统信用评价模型存在的问题传统的信用评价模型主要是基于统计分析和贝叶斯网络等方法进行构建的，尽管这些方法在一定程度上可以预测信用风险，但是在实际应用中还存在着以下一些问题。
2.1 缺乏有效的特征选择传统的信用评价模型通常会选取一些经济、金融和统计学方面的参数作为特征变量，但是这些参数往往缺乏实际应用中所需的具有区分性的特征。
同时，这些参数没有对客户的历史行为、信用记录和信用关系进行有效的量化和分析，从而导致模型的可靠性和预测精度不高。
2.2 缺乏动态更新和迭代优化传统的信用评价模型通常只是根据一次性的数据分析而得到的结果，在实际应用中难以解决数据量的增长和变化对评价结果的影响。
同时，这些模型的训练需要对大量的数据进行处理和分析，计算量大、时间长，不利于模型的更新和维护。
2.3 预测精度低和误差高由于传统的信用评价模型受到样本随机性、数据质量和特征选择等因素的影响，其预测精度和误差往往较高，不能满足复杂的信用评价需求，同时也无法为金融机构和其他企业提供可靠的信用风险预警和管理。
第三章神经网络技术原理神经网络是一种模仿人类神经系统运作方式的数学模型，其本质是一种多层次的非线性处理器。
基于神经网络的信用评价模型的实现主要涉及到以下三个方面的技术原理。
3.1 神经元模型神经元是神经网络的基本单元，它可以将输入的多个信号进行加权求和，并通过激活函数将计算结果传递给下一层神经元或输出层。
基于人工神经网络的信用评级模型研究近年来，随着经济的发展和金融市场的逐渐成熟，信用评级成为金融机构和企业广泛关注的重要领域。
信用评级是指根据借款人的信用状况、偿还能力及还款意愿等因素来进行评估和预测，确定其借款能力以及贷款还款的风险等级。
人工神经网络技术是一种新型的信用评级方法，它具有高度的自适应性、非线性建模能力和良好的泛化性能等优点，逐渐引起学界和业界的关注。
本文将探讨基于人工神经网络的信用评级模型的研究。
一、人工神经网络的基本原理人工神经网络是一种模拟大脑神经网络结构和功能的计算模型，它由大量互相联接的基本处理单元——神经元组成。
每个神经元接收若干输入信号，并根据它们的系数权重和激活函数来计算一个输出，经过层层传递后，最终产生网络的输出结果。
人工神经网络的训练方法主要有监督学习和无监督学习两种。
监督学习通过输入输出样本对神经网络进行训练，使其最小化输出结果和实际结果之间的误差，从而学习到输入和输出之间的映射关系。
无监督学习则是根据输入样本的相似性和差异性来对神经元之间的连接权重进行调整，逐渐形成一种紧密的神经网络结构。
二、基于人工神经网络的信用评级模型基于人工神经网络的信用评级模型是指将借款人的个人信息、信用历史、家庭状况及企业的财务状况等因素作为输入变量，通过神经网络的训练和优化，最终输出一个信用评级结果。
基于人工神经网络的信用评级模型相比传统的评级模型，具有以下几个优点：1、自适应性强：神经网络可以根据输入变量自动调节神经元之间的连接权重，适应不同的借款人和贷款情况，从而提高评级的准确性和稳定性。
2、非线性建模能力：神经网络可以通过多层非线性映射来捕捉变量之间的复杂关系，从而更好地反映出评级结果背后的内在机制。
3、良好的泛化性能：神经网络在训练过程中可以通过正则化等方式防止过拟合现象的发生，从而保证输出结果对未知数据的泛化能力。
三、基于人工神经网络的信用评级模型的应用基于人工神经网络的信用评级模型在金融机构和企业中应用广泛。
基于深度Bp神经网络的个人信用评估研究摘要：商业银行是市场经济的参与主体之一，具有盈利性的特征，也是国家金融体系的组成部分，有责任维护金融市场稳定，避免在信贷产品经营中出现系统性风险。
信用风险是常见的风险形式，但如果得不到有效控制，也有可能酿成系统风险，因此，商业银行既要完善风险管理体系，又要应用先进的风险评估技术。
Bp神经网络是辅助商业银行个人信用评估系统建设的一种技术，其有先进性的一面，也有自身的不足，在实际应用中需要不断改进，才能更好地发挥规避信用风险和提高信贷产品经营质量的效用。
关键词：Bp神经网络；个人信用评估；改进；算法长期以来，我国传统金融机构的个人信用评估以人工审查为主，即银行组织信审员，依据贷款政策以及申请人的资料，进行人工的信用评分，最后决定是否符合贷款条件。
中国人民银行于1999年开始建设个人信用信息基础数据库（征信系统），到2005年已完成与商业银行联网，成为查询个人信用的主要途径。
而信用贷款仅依靠征信查询不够全面、准确，因此各家商业银行及互联网金融企业，积极地建设本单位的个人信用评估系统，如引入SAS的风险审批系统、Fairsaac公司的信贷审核决策系统、Bp神经网络模型等。
Bp神经网络是由Rumelhart和McClelland为首的科学家在上世纪80年代提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，即同反向传播算法进行学习，是由正向传播和方向传播组合而成的。
它把数学和统计模型用于个人信用评估，具有一定辅助信贷审批的作用。
本文在分析常规Bp神经网络的基础上，探索深度Bp神经网络改进方法和应用价值。
1.常规Bp神经网络模型与算法1.1Bp神经网络模型Bp神经网络模型是由输入层、隐含层和输出层构成。
其中，输入层按照能够体现个人资质的指标来设定，如单位或职务指标、财产或收入指标、失信指标等；隐含层是对应上级指标的考察分项，一般是若干个由人为设定的资料或；输出层是指信用额度或信用评分。
基于神经网络的个人信用评分模型研究3张成虎, 李育林(西安交通大学经济与金融学院,陕西西安710061)[摘 要] 在国际上,个人信用评分是个人信贷风险防范的重要环节,而中国目前还没有制定出一套规范的个人信用评分指标体系和方法。
本研究利用真实的个人消费信贷数据,选择适合的字段作为指标变量并进行归一化处理,结合个人信用评分的特点,选择BP神经网络算法建立了个人信用评分模型。
实证研究表明:该模型预测精确度较高,具有较强的判别预测能力,但稳健性却不是很理想;适用于样本分布不断变化或数据结构不太清楚的情况,但却存在过度拟合的问题。
[关键词] 个人信用评分;神经网络;评分方法;SAS[中图分类号]F830.589 [文献标识码]A [文章编号]1000-5110(2008)06-0087-07 一、引 言随着中国经济的快速发展,国民消费能力的不断提高,各种形式的信用消费规模迅速扩大,各商业银行都将个人消费信贷视为自身的优质资产和未来发展的重点。
但目前我国商业银行在个人消费信贷领域的风险管理水平较低,管理手段和方法也较落后,尤其是没有制定出一套规范的个人信用评分指标体系和方法,在一定程度上阻碍了信用消费在我国的发展。
个人信用评分是预测个人借贷违约可能性的一种统计方法,它以被评估者的历史数据为基础,利用统计方法及其他定量方法对被评估者及其家庭内在的和外在的主客观环境、履行各种经济承诺的能力以及拖欠和违约行为进行预测和分析。
信用评分的主要目的,在于尽量将能够预测借款人未来行为的指标加以整合,并统一成可以比较的单一指标,以显示借款人在未来特定时间内违约的可能性。
信用评分本质上是将一个总体按照不同的特征分成若干个不同组别的方法。
所有的信用评分方法,无论是采用什么理论或模型,其最终目的都是将贷款申请者的信用级别分类。
为达到分类目的,依据某种理论,在历史数据基础上构造信用评分模型,然后输入申请者的相关指标数据,其信用水平就会由评分系统估算出来并归属为相应的信用级别,为信贷决策提供依据。
在实际操作层面,个人信用评分就是利用现有的样本数据以一定的算法建立模型,然后将原始的个人信用数据代入此模型进行计算,求得个人信用评分模型的值,据此对信用评估者的潜在违约行为做出预测,从而区分出“好”客户和“坏”客户。
较早用于个人信用评分的方法主要是统计学和运筹学方法,其中统计学方法包括的模型主要有判别分析、线性回归及Logistic回归,运筹学方法的模型主要是指线性规划。
近年来,随着计算机技术的快速发展,人工神经网络(本文简称“神经网络”)开始被引入到了个人信用评分领域。
神经网络是模仿人脑和神经系统的结构而产生的,具有大规模并行处理、自学习、自组织、自适应的能力,能独立处理复杂的非线性问题,不限于严格的前提假设条件。
将该方法应用于个人信用评分中,能够较好地忠实客观实际,对噪音和缺失数据有较强的忍耐能力,因而具有较强的理论价值和现实意义。
二、文献综述个人信用评估起源于美国,[美]David Du2 rand(1941)最早将统计思想引入这一领域,他将2008年11月第40卷第6期云南师范大学学报(哲学社会科学版)Nov.,2008Vol.40No.6 3[收稿日期]2008-07-01 [基金项目]国家自然科学基金项目(70771087),西安交通大学“985工程”二期项目(07200701)。
[作者简介]张成虎(1958—),男,陕西省洛川人,西安交通大学教授,博士生导师,研究方向为金融信息化、可疑金融交易识别。
受信者总体按照特征值的不同分成若干个组,以此为依据对贷款的信用风险进行评价,判断贷款的好坏。
[1]20世纪50年代,[美]Bill Fair 和[美]Earl Isaac 在美国旧金山建立了世界上第一家专门为金融零售商提供信用分析服务的咨询公司———Fair Isaac Corporation 。
该公司给出的信用评分通常被称为FICO 评分,直到今天,FICO 评分仍然是信贷机构在决定是否放款时必须考虑的一项关键性指标。
近几年,随着计算机技术的发展,以神经网络为代表的计算机及人工智能方法被应用到信用评估之中。
[美]考夫曼(1986)比较了分类树与判别分析的分类效果。
[2][美]Davis (1992)就神经网络与其他评价方法进行了比较,认为神经网络法能很好地处理那些数据结构不太清楚的情况,但其样本训练时间较长,另外在分类不当的情况下误判比例较高。
[3]Ro senberg 和Gleit (1994)在其论文中介绍了神经网络在公司信用决策及欺诈识别中的应用。
[4][美]Coat s 、Fant 等(1999)采用了神经网络分析方法分别对美国公司和银行财务危机进行了预测研究,并取得了一定的成果。
美国运通银行(American Express )正在使用一个以神经网络为基础的系统来探测信用卡诈骗的情况。
[美]Desai Crook 和Overst reet (1996)以及[美]Desai 、Conway 、Crook 和Overst reet (1997)比较了神经网络和回归分析以及遗传算法对美国运通公司的信用卡持有者的评分状况。
[5]由于我国在个人信用、社会信用体系领域的理论研究和实践都较为落后,所以国内在个人信用指标体系的建立方面研究较多。
陈元燮(2000)对个人信用指标体系包括的内容、体系设置的原则、应否规范化、如何评价以及评价标准如何确定等问题从理论上做了一些研究并提出了自己的观点。
[6]冯蔚蔚、徐晶(2004)通过对浙江省嘉兴市个人消费贷款业务的案例研究,提出了建立我国个人信用制度的必要性与紧迫性。
在分析了我国个人信用制度建立的难点问题的基础上,提出了要建立一套完善的个人信用制度的政策建议,并着重强调了一些配套制度建立的重要性。
[7]在信用评分方法研究方面,郭仌、梁世栋和方兆本(2001)对我国消费者信用评估体系建立过程中可能遇到的问题进行了分析,并对经常应用的消费者信用评分方法在性能方面作了比较研究。
[8]徐少锋、王延臣(2003)在个人信用评估中建立了Logistic 模型,认为以此模型为依据决定放贷与否效果较好。
[9]李曙光(2003)对神经网络在信用评估方面进行了重点研究,总结了神经网络在该领域进行预测的优势。
[10]石庆焱、靳云汇(2003)对多种方法在国内小样本数据应用方面进行了比较研究。
[11]姜明辉等人分别就线性回归、Logistic 回归、分类树、神经网络、遗传算法等方法在个人信用评估方面的应用进行了尝试性研究。
[12]纵观国内外对个人信用评估的研究成果,可以看出,国外主要是以预测的精度、错分率作为评价模型好坏的标准。
由于仅仅依靠同一样本对不同方法进行优劣分析,而缺乏不同样本之间的比较,导致对模型稳健性的考查不够充分。
国内个人信用评分的研究落后于发达国家,尤其是在评分方法研究方面,由于目前我国还没有制订出一套基本的个人信用评分指标体系,所以对这方面的研究仅限于理论,而很少利用实际的样本数据对指标和模型进行实证研究。
而本文不同于以往研究之处有两点:一是同时考察用于个人信用评分的神经网络模型的精确度和稳健性,并提出建议;二是通过使用实际的样本数据用神经网络方法建立个人信用评分模型进行实证研究,从而发现神经网络模型的主要优点和存在的一些缺点,为后人的深入研究奠定基础,为管理当局和商业银行进行个人信用评估提供借鉴。
三、神经网络的基本原理与结构选择神经网络(Neural Network )又称平行分布式处理(Parallel Dist ributed Processing ),在数据分析领域,是一种灵活性较强的非线性模型,被广泛应用于问题的预测方面。
(一)神经网络的结构神经网络的数据处理基本单元是神经元。
单个的神经元计算能力并不十分强大,如果一旦将许多的神经元连接起来,形成一个复杂的互联网络系统,这个系统就具备了很强的信息处理能力,能完成复杂的计算任务。
神经网络的基本结构主要有分层结构和相互连结结构两种。
分层结构就是将一个神经网络模型所有的神经元按照功能分成输入层、中间层(隐含层)和输・88・云南师范大学学报(哲学社会科学版)第40卷 出层,各层顺次连接。
分层网络又可以细分为单纯的前向网络、从输出层到输入层有反馈的前向网络,以及层内互联的前向网络三种。
相互联结是指网络中任意两个单元之间都是可达的,即存在联结路径。
互联结构的神经网络又分为部分互联和全互联两种类型。
全互联网络中每个神经元的输出都与其他神经元相连,而局部互联网络中,有些神经元之间不存在互连关系。
在互联结构的网络中,信息可以在神经元之间反复往返的传递,网络一直处在动态的变化过程中。
从某初始状态开始,经过若干次的变化、调整,才会达到某一均衡状态。
(二)神经网络的工作过程尽管其结构复杂多样,但神经网络的工作过程可以简要的分为两个阶段:一是网络的训练过程(又称学习过程);二是网络的运行过程(又称联想过程)。
神经网络的学习方式被分为有导师学习和无导师学习两种。
前者是给出每一个训练模式的输入向量以及相对应的输出向量。
在每一次训练的时候,先将模式的输入向量输进网络,得到网络的实际输出,再与目标输出向量相比较,得到其误差。
根据误差调整各层的权值,使误差向减小的方向变化,直到所有的模式误差都小于预设值为止。
后者是指训练模式只有输入向量,而不提供相应的输出向量。
网络自发地从训练集中提取统计特征,并将输入模式按照其相似程度划分成不同的类别,而这些类别的划分在训练之前是无法预知的。
经过训练,网络将模式分布记忆在网络的各个联结权值上,当网络再次遇到其中任何一个模式的时候都能迅速、准确地作出判断和识别。
网络训练完毕之后,这些信息就存储在权值矩阵中。
运行时,网络的输入将不再影响权值的变化,仅仅是网络根据输入信息,对储存的信息的一个重现,即联想或回忆。
对于前馈网络,输入模式只需进入一次权值矩阵,就可以产生所需的输出模式;而对于反馈网络,输入通过网络产生响应,这个响应又作为新的激励再输入网络,这个过程反复进行,直到输入、输出都不再发生变化为止,这时的输出才是网络的最后输出,即联想或记忆的结果。
(三)神经网络的选择不同的神经网络结构具有其各自不同的特点,并且存在其各自的优势和劣势。
前馈型B P (Back Propagation)网络、RBF(Radial Basis Function)神经网络、反馈型Elman模型和相互联结型的L VQ(Learning Vector Quantization)神经网络等分属不同的基本类型,并且是所属类型中相对适用于进行模式识别的网络结构。
①B P神经网络是一种单向传播的多层前馈型神经网络,是前馈网络的核心部分。
