作为国民经济的“总枢纽”,商业银行发挥着诸多不可替代的重要作用。近些年来,鉴于对以信贷危机为核心的新金融危机的防范,商业银行加强了风险管理,尤其是信贷风险管理。如何科学地进行信贷决策对商业银行而言具有深远的意义。银行信贷决策方面的建模研究已成为学术上的一个研究热点。银行信贷决策的过程其实也是银行对贷款客户的违约风险进行评估或分类的过程。至今,国内外研究学者们运用不同的金融工程理论和技术建立了不同的信贷风险评估模型,来辅助银行进行信贷决策。然而,已有的研究都是基于一定时间段的样本数据进行静态建模的,缺乏动态更新机制。因此,本文以金融财务理论、人工智能理论和数理统计理论为基础,采用定性分析、定量分析和交叉整合集成等研究方法,展开对商业银行信贷决策的动态建模研究。首先,按照全面性、概括性、敏感性、可度量性、先验性五个原则,从反映企业偿债能力(包括短期偿债能力和长期偿债能力)、盈利能力、营运能力和发展能力四个方面选择多个财务指标作为银行信贷决策建模的备选指标体系,并采用分支定界特征选择方法来最终确定模型构建的指标体系。其次,融入概念漂移思想到银行信贷决策建模中,基于分支定界特征选择表示的动态时效企业财务数据,集成支持向量机、批增量学习和组合分类器,以增量SVM为核心,在每一数据动态增量阶段构建多个子SVM分类器,通过多分类器集成构建数据增量阶段的动态信贷决策模型,从而构建面向商业银行信贷决策概念漂移的分枝定界批增量支持向量机集成决策模型。最后,在实证研究中分别构建本文提出的模型与传统的非增量SVM多分类器集成模型,从而进行比较分析。实证研究结果表明本文提出的模型能够在时间推移过程中根据新增样本的加入不断动态调整增量模型,具有更好的预测能力,从而为以企业为对象的银行信贷决策提供一种新的有效方法。具体地讲,本文的研究在学术上可以为银行信贷决策方法的理论研究提供新的思路,在实际上对推动社会经济发展起着重要的作用,协调了银行和企业之间在贷款问题上长期存在的矛盾,具有重要的理论和实际意义。