基于数据挖掘的个人信用评分模型开发.pdf

厦门大学

硕士学位论文

基于数据挖掘的个人信用评分模型开发

姓名：申华

申请学位级别：硕士

专业：系统工程

指导教师：刘暾东

20090501
摘要律，使金融机构在追逐巨额利润的同时，不得不面对巨大的信用风险，因此如何规避潜在的信用风险是银行和信贷机构面临的重要课题。银行需要在发放信用贷款之前，对信贷客户进行科学的信用评估，客观、全面、准确地评估消费者的还信用评分定量地评价个人信贷消费者的信用状况。借助数据挖掘技术，构建信用评分模型，发掘数据中蕴含的模式和规律，作为消费者信贷管理的决策依据。在中国，由于社会征信体系的不完善，以及信贷消费产业的落后，个人信用模型的别分析、Logistic回归、神经网络等进行适应性研究。利用它们分别建立模型，能将好坏客户适度地区分开来。其中Logistic回归模型在这三种技术中评估最佳。是当前商业银行可以采用的最优模型，值得在实践中推广。以及今后需要加以深入研究的课题。关键词：数据挖掘：个人信用模型；Logistic回归消费信贷产业的蓬勃发展，以及消费信贷业务风险与回报相对应的客观规款能力和还款意愿，以避免、控制、减少坏账损失。在西方国家，普遍采用个人开发才刚刚起步，对于开发合适的信用模型缺乏经验，本文将对此进行探索。常用的信用评分技术一般分统计学方法和非统计学方法。统计学方法包括线性回归、判别分析、Logistic回归，决策树等，非统计学方法包括线性规划、神经网络、遗传算法、专家系统等。但是对于这些开发信用模型的技术，那种方法最好，还没有一致的结论。论文以真实的信贷数据为分析对象，使用最常见的判对客户进行分类，并比较模型表现。对比发现，各种模型都有一定的预测能力，在建立信用模型的过程中，数据是建立个人信用评分模型的基础，离开数据，“巧妇难为无米之炊”。而实际中收集的数据一般都受到“污染”，所以在建立信用模型之前，必须对数据进行预处理。数据预处理备包括：数据清洗、数据转换以及变量聚类等，特别是对特征项过多的分类变量做了深入分析。最后对建模进行总结，针对实际的应用补充几点意见。指出论文不足之处，
result．TheABSTRACTtechnologytechnology．．discriminatenetworkwithtechnologies。ItWithobjectiveandprofit；meanwhileimportantsubjectloans，objectively,comprehensivelyconsumer,andevaluationanalysismeansusefulanalyzingapplicants，asjuststart，andwillanalysis，logisticregression，andpaper,itusedobjectCandevelopmentconsumptionhaveface、杭minformationofcostumerrepaymentwesterncommonlyindividualcustomers．Byminingmodelsdeeplythedecisionformanagement．Atimperfectsystemcommercialismethod．Statisticallinearregression，discriminatemethodprogramming，neuralalgorithmthiscommonregressionneuraladaptabilityasthemrespectively,classifycostumescostumes，butmodeoptimalmodelbuildingimportant．model．Butrapidlawriskscreditbusiness，thefinancialinstitutionshunthugeittremendousrisks．Therefore，howavoidriskbankscreditingorganizations．Theneedmakescientificallybeforegrantingaccusativelyevaluatecapabilitywillingavoid，controlreducebaddebtloss．Incountries，itadoptedpersonalquantitativestatu吝ofdatatechnology,banksorganizationsestablishscoringdigregulationbybasispresent，becausesocialreportingbackwardindustry,exploitinglackexperienceinsuitablemodels．Th