基于支持向量机的助学贷款信用风险预警研究

针对助学贷款额度小、管理过程繁琐、违约率高的问题,提出了用基于支持向量机的助学贷款信用风险预警系统来有效降低关注范围、提高贷后管理效率的方法.在分析助学贷款违约影响因素和相关预警模型特点的基础上,建立了支持向量机预警模型;通过实际数据测试,模型在违约和守约分类预测方面有较高的准确率,为银行调整贷后管理策略提供了依据.     

高校学生贷款个人信用的物元评判模型及应用

基于对我国高校学生助学贷款信用评价现状的分析和构建的高校学生助学贷款的偿还信用评价指标体系,利用可拓工程方法,建立了学生贷款信用物元评判模型.该模型将个人信用等级、评价指标作为物元,从而得到经典域、节域、权系数.根据个人信用分级标准建立关联函数,通过计算综合关联度判断个人信用等级,并结合实例验证了评判方法.该方法计算简便、评价合理、实用性强.     

基于支持向量机的信用评估模型及风险评价

运用基于支持向量机理来建立一个新的个人信用评估预测模型,以期取得更好的预测分类能力.并对SVM分类结果与三层全连接BPN分类结果进行了比较.结果表明,在判别潜在的贷款申请者中支持向量的判别结果比神经网络的要好.为了减小训练集偏差及为了验证两种方法的鲁棒性,基于两种策略(平衡样本与非平衡样本)交叉验证来进一步评价SVM分类准确性,并对两种方法基于两种策略的误分类作了风险代价分析.     

人工神经网络在大学生个人信用评价中的应用

建立合理的大学生个人信用评价方法是规避信用风险、顺利实施国家助学贷款的一项重要工作。利用神经网络具有自学习、自组织、自适应和非线性动态处理等特性,将三层BP神经网纠应用于大学生个人信用评价,使用MATLAB软件对16个样本进行网络训练与测试,模型输出与目标输出的最大误差只有2.92％,仿真结果表明应用BP神经网络进行大学生个人信用评价是行之有效的。     

多项式与SVM预测模型的理论分析及应用比较

标准支持向量机(SVM)及其改进形式的最小二乘支持向量机(LS-SVM)基于结构风险最小化,成功解决了多项式模型在预测方面所面临的问题;文章首先从理论上分析了SVM模型比多项式回归模型在预测方面更具有优越性;具体实验结果表明,SVM模型预测精度高,抗干扰能力强,更适合在预测方面的应用.     

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．     

大学生助学贷款之还贷问题

国家助学贷款是国家扶助贫困学生的重大政策举措,但是由于种种原因,国家助学贷款这项政策却遭受了空前的信用危机。解决大学生助学货款之还货问题,要加大助学贷款政策的宣传力度,建立助学贷款风险控制机构,加强对大学生的“诚信教育”,加快建立个人信用体系,保证大学生按时还贷。     

支持向量机预测煤层含气量

在分析煤层含气量影响因素的基础上,采用基于小样本理论的支持向量机(SVM)回归方法,建立了预测煤层含气量的计算模型。通过对沁水盆地南部目标煤层含气量影响因素分析,建立了煤变质程度、储层压力、温度及煤质特征支持向量机模型并进行了训练和测试。结果表明:SVM模型预测结果和实测结果误差小,为煤层气资源的勘探开发提供参考,是预测煤层含气量的新途径。     

贝叶斯融合方法集成的支持向量机预警国家助学贷款信用风险的研究

用贝叶斯方法将随机选用的多个不同类别的支持向量机集成为预警模型,通过银行实际助学贷款数据对模型进行测试和验证,结果表明该集成模型有更高的分类准确度,可以为银行助学贷款违约行为的预判提供重要的参考依据.     

基于小生境遗传算法的支持向量机分类器参数优化

该文在建立支持向量机分类器分类性能评价函数基础上,分析了支持向量机参数对分类性能的影响,提出了一种基于共享函数小生境遗传算法的支持向量机分类器参数优化方法.该方法利用支持向量机分类性能评价函数评价支持向量机的分类性能,评价函数的倒数作为适应度值,每两个个体之间的海明距离作为共享函数,实现小生境遗传算法.将该文提出的方法应用于5个由Gunna Ratsch收集的标准模式库,实验结果表明由该方法所得参数确定的SVM分类器具有较高的识别率和较简单的结构.     

基于粒子群协同优化算法的供应链金融信用风险评价模型

针对供应链金融模式下信用风险评价精度受信用特征子集与模型参数影响的问题, 提出一种粒子群协同优化信用风险评价模型. 该模型在充分论证供应链金融风险特征指标体系的基础上, 利用二进制粒子群算法优选特征子集, 并对支持向量机(SVM)参数协同优化. 对供应链金融信用风险评估进行实验, 并与传统径向基支持向量机和主成分分析特征抽取方法对比, 结果表明, 该模型优选的特征子集和SVM参数能显著提高信用风险评价精度.     

大学生信用档案的建立与利用

信用是一切制度和规范得以确立和运作的基础，也是整个社会赖以生存和发展的基础。建立大学生信用档案源于国家助学贷款的实施。大学生信用档案的建立将有助于在校大学生诚信意识的培养，推动大学生市场化就业机制的进一步完善，并且带动整个社会信用理念的提升与诚信氛围的营造。在维护个人信用上，今天的大学生还肩负着改善整个国家信用状况的历史使命，大学生的信用意识和信用档案的建立将直接影响中国信用体系的实施和发展．大学生信用档案的建设应按照“统一规划、分级建设、分步实施、信息共享”的原则。     

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.     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.     

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。     

浅谈如何充分发挥大学生诚信评价的教育功能

阐述了大学生诚信评价的教育功能,重点介绍了诚信评价的两种方法,并对如何充分发挥大学生诚信评价的激励和监督作用进行了探讨。     

基于SenV-RBF的个人信用评分模型

将基于敏感性分析的RBF(radical basis function)网络应用于个人信用风险评估中,在训练中通过引入最大输出敏感度来度量隐藏神经元的数目及其径向基函数的中心,并构建了用于识别两类模式的基于SenV-RBF网络的个人信用评分模型.该模型对数据分布无任何要求,其在个人信用评分领域的运用,克服了统计等方法对假设较强的要求以及静态反映信用风险的缺点.经过比较分析,基于SenV-RBF网络的个人信用评分模型在分类的准确性和稳健性方面要优于传统的RBF,且精度可以达到支持向量机的水平.