5、基于特征信用和支持向量域描述的信用评分方法

基于特征信用和支持向量域描述的信用评分方法

1. 引言

信用风险评估在金融风险管理中是一个热门研究话题，而信用评分是信用风险评估里的重要分析技术。金融机构进行信用风险评估十分关键，因为不恰当的信用决策所带来的高风险可能会造成巨大损失。随着信贷行业的快速发展和竞争加剧，金融机构有必要对信用风险评估做出快速自动的决策，尤其是在同时面对数百万信用卡或消费贷款申请时。

自动信用评分在近十年受到了越来越多的关注。信用评分模型的目标是将信用申请人划分为“良好信用”群体（肯定会偿还债务）或“不良信用”群体（有很高的违约可能性）。因此，信用评分模型是基于包含好坏实例的历史观测数据开发的。一个设计良好的模型应该具有较高的分类准确率，以便评估新申请人的信用好坏。

最初，许多统计和优化技术被广泛用于构建信用评分模型，如线性判别分析和逻辑回归。虽然这些方法相对简单且可解释，但区分好坏客户的能力仍是一个有争议的问题。近年来，一些人工智能的新方法也被用于开发信用评分系统，如决策树、人工神经网络、k - 近邻、遗传算法、人工免疫系统算法和支持向量机等。在这些人工智能方法中，决策树、人工神经网络和支持向量机通常被认为是最有效的信用评分模型。此外，一些两阶段评分模型也被提出以克服单一评分模型的缺点，这些模型也显示出了有前景的预测结果。

上述所有方法都基于二分类分类器。然而，存在一种特殊的分类问题扩展，即数据域描述，也称为一类分类。在域描述中，任务不是像二分类问题那样区分不同类别的对象，而是对一组对象进行描述。这种描述应该覆盖训练集所代表的对象类别，并且理想情况下应该拒绝对象空间中所有其他可能的对象。当负样本太少或太多时，数据域描述的表现优于二分类分类器。这种方法通常用于异常值检测或新奇性检测。