PDF《肖斌卿》

四、小 微企业信用评估模型构建小微业务信用评分的建模方法分为主观和客观两类.主 观的方法是判断型,又称为专家型或经验型,即根据各方面专家对信贷政策、市场、客户、风险点的共同知识和经验,筛选出一组风险要素并・401・肖斌卿,等:基于LSSVM 的小微企业信用评估研究进行赋值,由此形成基于经验判断的信用评分模型.它 一般适用于客户信息量化程度不高和样本量较小的情况.客 观的方法是数据挖掘型,即运用数据挖掘技术在目标领域的大规模历史数据的基础上推演出来的信用评分模型.它 主要包括多元线性回归、逻辑回归、分类树、神经网络、支持向量机等方法,不同的方法有各自的限制条件和适用情形.这 些方法的好处在于从数据出发能够客观公正地进行判断,且机器学习模型通过对历史数据的不断学习,能够动态改变因子所配的权重,不断纳入新的信息.支持向量机(Support Vector Machine, SVM) 是由Vapnik 等提出的一种基于结构风险最小化原则的学习理论[15].相比于传统的统计方法,SVM 不依赖于对所解问题的先验知识[15].支持向量机有很好的泛化能力,在处理具有小样本、非线性等特征的数据上有较好的表现.其 主要思想是建立一个超平面作为决策面,使得正例和反例之间的间隔边缘实现最大化.它 通过核函数,将输入变量映射到线性可分的高维空间,从而构造分类超平面.最 小二乘支持向量机算法的出发点也寻求形如(wx)+ b =

0 的划分超平面,但是其原始最优化问题为凸二次规划:min w, b, ξi

1 2 wT w + C∑ l i =

1 ξ

2 i ST. yi = wT ( xi )+ b + ξi i = 1, 2, … , l. ( 1) 该问题转化为对偶问题后,为求解一组线性等式,不需要求解二次规划.最 终我们得到LSSVM 的决策函数:f( x)= sgn( ∑ l i =

1 yi α i K( xi , x)+ b ) ( 2) 该方法简化了计算复杂性,计算成本小,泛化功能好,且不易陷入局部最小,得到了广泛的应用.小微业务的信用评估模型不仅需要满足预测稳定性和精确性要求,而且必须符合小微业务的特点和数据的实际情况[16].目前,我国商业银行自身累计的小微企业样本数据往往存在大量的缺失、噪声点和奇异值,在应用信用评估技术时,可作为模型的有效输入信息的数据样本较为有限.所 以,适用于我国商业银行小微业务的信用评估模型需要在小样本条件下,满足预测稳定性和精确性要求.本文借鉴已有的在信用评估方面的支持向量机模型研究成果,针对小微企业信用样本数据,通过对比研究,建立最小二乘支持向量机(LSSVM) 模型,以有效地提高........