论文部分内容阅读
市场经济的快速发展促使信贷消费逐渐成为区别于传统消费模式的新潮流。个人信用作为信贷消费的评价基础,它体现了当事人履行信用承诺的能力,如今它也不仅仅是传统观念上的一种美德,更确切的说是一种商品,是一种建立在个人净资产和对未来收入预期基础上的支付能力。运用先进的技术构建个人信用评价模型,进而客观正确评价个人信用,能够公平维护授信双方的合法利益,也为信贷机构提供了预测信用风险的有效工具,同时维持市场经济健康稳定发展。本文在分析了国内信贷行情和国内外在个人信用评价领域的研究现状的基础上,对比分析了统计和非统计个人信用评价模型的优越性和局限性,并且探讨了人工智能算法中的BP神经网络算法和粒子群优化算法,然后运用属性信息熵对德国个人信用数据集的原始指标体系做二次优化,通过指标增益值的大小来选取合适的信用评价指标,从而构建了新的指标体系;其次,在原始预测分类模型基础评价指标(整体预测正确率、两类信用等级预测精度和两类信用等级召回精度)的基础上,创建了两个适合度量个人信用评价模型评测性能的综合评价指标:综合评价性能指标和综合评价损失率指标;再次依据新的指标体系结合BP算法和PSO算法构建了不同训练函数下的BP常规优化个人信用评价模型和基于PSO优化的个人信用评价模型。最后通过实例验证表明:在常规优化的BP个人信用评价模型中,采用trainbfg训练函数的模型收敛速度较快,而且泛化性能好,两个综合评价指标在同类常规优化算法中表现最好;基于PSO优化的BP神经网络个人信用评价模型的评测性能随着迭代次数不伺有所差别,在迭代次数为300时,PSO优化模型比基于常规优化的BP模型表现出更好的性能。本文运用BP神经网络算法和PSO算法来构建个人信用评价模型,并且运用实例来验证基于人工智能算法的个人信用评价模型的优越性和可行性,为后续深入研究打下基础,同时对于后期改进的个人信用评价模型具有一定的参考价值和理论意义!