2016年答辩.pptxVIP

基于支持向量机的商业银行信用风险评级模型研究主要内容1选题意义2研究现状3研究内容4论文结论5参考文献选题意义1商业银行的核心业务即是经营风险，而信用风险被银行业视为最主要的风险之一，信用风险评级技术密切影响着银行业的发展。在新的国际形势下，提出新的信用风险量化方法、技术及模型显得尤为重要。本文根据Vapnik提出的支持向量机分类理论，建立基于Logit模型及支持向量分类机的组合算法，用于商业银行信用风险评级实证研究。选题意义1对商业银行而言，改进的信用评级模型可以为经营者提供可否贷款之依据。对中小投资者而言，模型应用可为其投资决策提供参考。对监管部门而言，模型应用可为其评价上市公司质量提供依据。从学术意义上讲，改进的模型能够通过实证分析验证，从而更好地研究回归分析及支持向量分类理论，对回归分析及支持向量机算法的完善起到一定的推动作用。研究现状2研究现状2目前，银行业多以统计为基础的方法，其中，Logit模型得到了广泛的应用，属于简便直观的统计模型，但在两类的边界会出现错分。支持向量机训练过程简单、良好地权衡了分类问题算法复杂度及误差之间的矛盾，适宜预测公司破产，也是银行信用评估的一种新兴的有效手段。有些银行已在后台结合使用非参数技术和人工智能识别等方法管理信贷控制风险。第一阶段研究内容3第三阶段第二阶段实证分析理论创新基础理论研究内容——基础理论3评级模型：Logit模型 =1，借款者违约 =0，借款者履约 借款者信用评分 第i个借款者的特征列向量 特征向量对 的影响程度参数 残差研究内容——基础理论3评级模型：Logit模型假设残差服从对数分布，则是logistic函数：研究内容——基础理论3评级模型：支持向量机基本思想：在样本空间构造出最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力。其目标是构造判别函数，将测试数据尽可能正确分类。研究内容——基础理论3评级模型：支持向量机假定训练数据可以被一个超平面分开我们进行归一化此时分类间隔等于使最大间隔最大等价于使 最小研究内容——基础理论3评级模型：支持向量机最大化间隔可转化为下述最优化问题研究内容——基础理论3评级模型：支持向量机利用Lagrange优化方法得到决策函数研究内容——基础理论3评级模型：支持向量机线性不可分问题，引入核函数理论：将低维输入空间F中的数据通过非线性核函数映射到高维属性空间H，就将低维空间中的线性不可分问题转换为高维空间中的线性可分问题SVM的决策函数研究内容——基础理论3评级模型：支持向量机线性核函数lineard阶多项式核函数Polynomial高斯径向基核函数Radial Basis Function, RBF二层神经网络核函数Sigmoid研究内容——基础理论3模型对比分析缺点优点对数据是否呈正态分布并无要求；能判断不同因素的影响程度；适合快速评价；适用于大样本模型的构造完全依赖于数据信息，若数据出现问题则会很大程度影响模型结果。Logit模型应用核函数思路避免维数灾难；无数据正态分布的要求；目的在于寻找支持向量，不过分依赖样本。仅适用于小样本分类，无法处理海量数据分类问题。支持向量机研究内容——理论创新3模型改进思路 使用主成分分析，提出PCA- QFL模型 提出改进的多分类算法改进1改进2改进3改进4将Logit模型扩展为二次型Logit模型（QFL模型） 提出概率区间细分思路 提出PCA-QFL_SVM组合模型研究内容——理论创新3模型改进1将线性Logit模型扩展为二次型Logit模型（QFL模型），使得模型中既包括一次项也包括二次项，二次项可用来解释变量之间的相互影响，以提升模型的描述能力。研究内容——理论创新3模型改进2利用降维思想，将主成分分析所得到的新变量作为自变量，代入二次型Logit模型中，得到PCA-QFL模型。得到的模型较原始模型而言，数据代表性更强。研究内容——理论创新3模型改进3提出PCA-QFL_SVM组合分类算法使用极大似然估计得出PCA-QFL模型参数计算模型输出值计算负类点、正类点的概率均值研究内容——理论创新3模型改进3PCA-QFLSVM，高斯径向基（RBF）核函数PCA-QFL对于区间B、C对应的样本空间，对比PCA-QFL模型及SVM算法的分类正确性，采用正确率高的分类方式得出最终的分类结果。研究内容——理论创新3模型改进3改进优点：对传统的逻辑回归模型以概率值0.5为分界点的硬性方法做了改良，用SVM分类算法对PCA-QFL模型的模糊区间 的分类结果做了修正，减少了参数模型PCA-QFL对于分类边界附近样本的误判风险，从而提高样本分类的精度。算法将样本空间进行了细分，使用SVM算法对压缩后的样本输入进行分类，巧妙的避开了SVM不适宜解决大样本问题的缺陷。研