BP人工神经网络在信用卡评估中的应用

随着经济的不断发展,金融业在经济发展中发挥着越来越重要的作用,各商业银行的信用卡业务也在逐渐增加,对银行客户的信用评估是否合理、科学、准确,关系着银行在办理信用卡过程中承担风险的大小。通过有效的信用评估,可以大大降低银行承担的风险。该文介绍了人工神经网络(Artificial Neural Networks,简写为ANNs)、误差反向传递神经网络(简称BP人工神经网络)的网络结构和学习训练算法。并使用BP人工神经网络模型,将来自UCI Machine Learning Repository网站的三组数据输入到BP人工神经网络,通过创建不同的隐含层、设定不同输入层的神经元数及使用不同的训练方法来得到BP人工神经网络在信用卡评估的准确率及速度。结果发现,BP人工神经网络对信用卡信息的匹配和筛选具有较为理想的效果,对银行客户的信用评估有较好的推荐及参考作用,有利于商业银行在对申请信用卡用户的信用评估,及时减小了在办理信用卡过程中承担的风险,对金融风险的防控也起了重要的作用。     

基于SVM的个人房贷信用评估数据分析

采用SVM的序列最小最优化算法（SMO）作为训练算法对商业银行个人房贷信用评估数据进行分析,着重探讨了在个人房贷信用评估中分别应用径向基核函数参数和SMO训练算法中的参数调整对准确度的影响;通过银行实际数据集将该算法与C4．5和神经网络进行了比较,支持向量机对个人信用评估的总精度高于其他两种算法;支持向量机对实际的住房抵押贷款数据进行信用评估效果较好,且参数调整对试验结果有影响。     

基于支持向量机的商业银行信用风险评估模型

贷款业务是商业银行最重要的资产业务，构建一个适用的信用风险评估模型十分重要．本基于近年来在智能学习系统领域发展起来的新理论，引入小样本学习的通用学习算法——支持向量机(SVM)．建立了商业银行的信用风险评估模型，通过与多元判别分析、以及神经网络模型的比较，证实了该方法用于风险评估的有效性及优越性．     

基于QBC主动学习方法建立电信客户信用风险等级评估模型

电信客户信用风险等级评估是对电信客户的信用风险进行等级分类. 针对建立客户信用风险等级分类模型时,大量带有类标注数据难以获得的问题,提出了基于主动学习的分类器建模方法,并对基于QBC(委员会投票选择)的主动学习算法进行改进以提高分类器的预测精度. 通过对实际电信客户数据进行信用风险等级建模实验,结果表明:应用新算法,分类器使用了较少的带类标签样本数据,达到了与被动学习相同的精度,大大降低了信用专家评估数据的工作量.     

基于数据挖掘的反信用卡套现方案设计与实现

信用卡套现是指持卡人通过正常合法手续(ATM或柜台)以外的其他手段,将信用额度内的资金以现金方式套取,同时不支付银行提现费用的行为.基于大量数据卡交易信息,将数据挖掘理论应用于信用卡反套现评估中,运用数据挖掘算法中的决策树、KNN模型实现对信用卡套现行为、套现客户的辨别.经过实验验证,模型具有良好的应用效果,能够优化银行反信用卡套现识别、提高银行工作效率.     

基于MFOA算法的SVM模型在信用风险评估中的应用

P2P网贷行业借助于互联网技术,得到了急速地发展,其中的个人信用风险评估也变得更加重要.为提高信用风险评估的准确性,基于SVM建立一套信用风险评估模型.然而SVM模型的性能很大程度上取决于惩罚因子以及核函数的参数,因此需要对SVM的参数进行优化.采用基于改进的多种群果蝇优化算法对支持向量机的参数进行优化选择并在真实的P2P信贷数据上进行实验.通过与几种常见的群智能算法的优化效果如遗传算法,蚁群算法,粒子群算法等进行对比,结果表明,使用多种群果蝇优化算法的SVM模型具有评估准确率更高等优点.     

基于决策树算法的银行客户分类模型

利用决策树算法对银行的信用卡客户进行分类,构建了客户分类模型,给出了分类步骤中信用卡的客户类型特征,为银行的信用卡推广业务提供相应策略.     

基于后验概率的住房信贷评估SVM模型

针对标准SVM模型在信贷评估中单纯将客户划分为违约或者未违约的不足,提出了利用基于后验概率的SVM用于住房信贷评估的方法.利用商业银行的住房信贷数据进行的实证研究表明,基于后验概率的SVM模型通过将标准SVM的决策值转化为后验概率输出,能够对住房信贷客户的违约概率进行估计,对于商业银行根据客户的违约概率制定相应的信贷政策以及设计相应的住房信贷产品更具有实践意义.     

基于改进PageRank算法的银行零售业务客户价值排名研究

在银行零售业务交易系统中，如何在大量客户数据交易网络中挖掘出影响力高，潜在价值高的重要发展客户，从而制定相应的业务营销计划，对银行来说是一件至关重要的事情.本文提出一种基于PageRank的改进算法——IER(Improved Enhanced-RatioRank)算法，该算法以客户作为节点，以主动交易金额构成出链权重因子作为有向边，构成一个客户交易网络有向图，通过添加交易次数活跃因子和时间有效性因子等重要因素，从多维角度可以精准有效地挖掘出重要发展客户.最后，利用RFM(Recency, Frequency, Monetary)模型来验证实验结果.实验结果表明，所提算法在银行零售业务交易系统中挖掘重要发展客户有良好的效果.     

中国银行业的金融创新与风险

<正>几年前,美国楼市火热,很多按揭公司或银行为扩张业务,针对信用记录较差的客户发放房贷,介入次级房贷业务。正常情况下,这样的客户很难从银行贷到款。一般发放次级房贷,银行能收取更高的利率。最近,由于美国楼市往下走、利率不断升高,次级房贷借款人不能按时还款,次级房贷     

基于支持向量机的信用卡信誉检测

介绍了数据挖掘中的支持向量机方法,建立了基于支持向量机的信用卡信誉检测模型,并用该模型进行了信用卡信誉检测实验. 结果表明,基于支持向量机的信誉检测方法可帮助银行检测信用卡信誉和控制风险.     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

组合核支持向量机个人信用评估模型

针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。     

基于支持向量机的大学生助学贷款个人信用评价

目前国内对大学生助学贷款个人信用的研究定性分析居多,很少运用定量的方法建立分析预测模型。该文在分析传统的信用评价模型优缺点的基础上,发现支持向量机方法(SVM)在评价贷款大学生个人信用应用时具有一定的优越性,试探性地运用支持向量机方法建立大学生助学贷款个人信用评价分析模型。通过实证分析获得了较高的预测准确率,并将分析结果与AHP、BPNN方法进行了比较,体现了SVM方法的相对优越性。因此,用支持向量机方法来评价贷款大学生个人信用是可行的、有效的。     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

基于极限学习机的氧化镁熔池尺寸软测量研究

在电弧炉中建立大小合适的氧化镁熔池是制备氧化镁单晶的基础.为了实现对氧化镁熔池大小的控制,通过对电弧炉传热理论的分析,找出影响氧化镁熔池尺寸的主要因素,采用极限学习机对氧化镁熔池进行软测量研究,并通过与使用支持向量机的软测量模型进行比较检测了该模型的学习能力和泛化性能.实验结果表明,应用极限学习机极大地提高了前向神经网络的学习速度,同时具有较好的预测结果,有助于提高氧化镁熔池的控制精度.     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

支持向量机技术及应用

基于统计学习理论的支持向量机是一种新型的机器学习方法。本文介绍了统计学习理论和支持向量机的原理,对一系列的训练算法进行了探讨和比较。由于SVM具有良好的泛化能力和全局最优性能,已经被应用于模式识别和回归估计等领域,有着良好的应用前景。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.