基于主成分分析-神经网络法农村信贷用户信用评级研究.docVIP

基于主成分分析-神经网络法农村信贷用户信用评级研究 　　摘要:采用某农村信用社的516家贷款用户,基于主成分分析-神经网络法构建个人信用分类评估模型。该模型首先应用主成分分析法对初始指标进行降维,然后将简化后的训练样本送入BP神经网络进行学习和训练,进而对检验样本的风险级别进行判别。 　　关键词:主成分分析;神经网络;信用评级;四级分类 　　中图分类号:F830.5文献标识码:A文章编号:1672-3198(2009)23-0186-02 　　 　　1主成分分析法(PCA)的基本原理 　　 　　主成分分析法一种较为客观的多指标评价方法,是考察多个变量间相关性的一种多元统计分析方法,它是研究如何通过少数几个主成分(即原始数据的线性组合)来解释多变量的方差―协方差结构。其简要数学过程如下: 　　设估计样本组的信贷用户为n家,选取评价指标为p个,xij表示第i个对象的第j项指标的值,X=(xij)n×p=(x1,x2,…,xp)。 　　(1)对X进行标准化处理。 　　(2)计算相关系数矩阵R。 　　(3)计算相关系数矩阵R的特征值λ与特征向量α。 　　(4)建立主成分。 　　 　　2BP神经网络(NN)原理 　　 　　对于第t组样本,设BP网络输出层第k节点,隐层第j个节点,输人层第i个节点的输人、输出分别由intk,intj,inti和outtj,outti表示,ωkj,υji分别为隐层与输出层,输人层与隐层之间的连接权值,隐层及输出层神经元采用Sigmoid函数作为输出函数,输出层的误差函数E定义为: 　　E=12?tt=1?kk=1(dk-outtk)2 　　式中dk―相应的期望输出值。 　　BP算法学习的实质就是不断修改权值,使误差函数趋于0,根据误差梯度下降的原则,对ωkj与vji进行调整。 　　 　　3主成分分析―神经网络方法信用风险实现过程 　　 　　首先,应用PCA将信贷用户风险评估的指标(高维数据)变换到低维空间上,然后应用BP神经网络对变换后的样本进行训练,从而建立信贷风险评估模型的隐函数,最后,利用训练函数预测检验样本。 　　 　　4实证分析 　　 　　4.1样本数据和指标量的选取 　　从某农村信用社的贷款数据中,选取该地区信贷用户合格样本516个,其中300个作为模型训练样本,216家作为检验样本。 　　从偿债能力、家庭经济状况、过去信用状况、贷款情况确定9个指标作为??文研究的指标变量。他们分别是:贷款余额:x1;利率:x2(由于贷款年限的不可获性,用贷款利率反应贷款年限);总财产:x3;流动财产:x4;文化程度:x5;总收入:x6;违约次数:x7;性别:x8;村委会综合评价:x9;贷款四级分类:x10。 　　4.2对原始数据提取主成分 　　本文运用2所介绍的主成分方法原理,用Matlab软件对原始数据提取主成分。其9个特征值分别为:1.806,1.3168,1.2794,1.1249,0.98948,0.909,0.61892,0.52564,0.4299。因为(λ1+λ2+…+λ6)/(λ1+λ2+…+λ9)≈83%,考虑到对指标既要降维,又要使主成分尽量包含原来的信息,故我们提取前六个主成分,如下: 　　F1=-0.49882x1+0.46955x2-0.050964x3+0?031373x4+0.031373x5-0.011706x6+0.56915x7+0?14793x8-0.32576x9 　　F2=-0.12681x1-0.27747x2-0.62487x3-0?067053x4+0.238x5-0.15602x6-0.058489x7-0?33332x8-0.56255x9 　　F3=0.10864x1-0.11817x2-0.43956x3-0.38012x4-0.48887x5+0.0046893x6-0.20097x7+0.59701x8+0?026393x9 　　F4=-0.21281x1-0.22974x2-0.10688x3+0?60936x4-0.15952x5+0.66355x6-0.18299x7+0?10908x8-0.089751x9 　　F5=0.24225x1+0.24253x2+0.058956x3+0.5572x4-0.25372x5-0.54867x6-0.33519x7+0.098407x8-0?28476x9 　　F6=-0.47724x1-0.4155x2+0.06178x3+0?036945x4-0.48906x5-0.34367x6-0.030206x7-0?34927x8+0.33799x9 　　原来的样本数据通过主成分分析将变化只有6个指标的新的数据表。对新的学习样本通