[发明专利]一种基于IFOA‑SVM的个人信用风险评估方法

说明书

技术领域

本发明涉及信用风险评估方法，特别涉及基于改进果蝇算法优化SVM的个人信用风险评估方法，属于人工智能方法在信用风险评估领域的运用。

背景技术

在无抵押纯信用贷款热不断升温的形势下，各商业银行均把贷款业务作为发展的重点。然而2016年银监会发布的《中国银行业运行报告》五大行的不良贷款余额为8079.5亿元，不良贷款率同比增长25.7％。阻碍信贷业务发展的主要原因是商业银行对贷款风险的管理水平较低，缺乏有效的个人信用评估方法。信用风险评估模型的准确率每上升一个百分点，就可为商业银行带来以万计的利润。因此研究个人信用风险评估具有很强的实用价值。

人工智能模型相比于统计模型能够更好的解决类似于信用风险评估这种非线性模式分类问题。常用的人工智能模型有贝叶斯网络、决策树(Decision Trees,DT)、支持向量机(Support Vector Machine,SVM)和BP神经网络等。SVM尤其是在解决小规模样本、非线性和高维模式识别等问题时，总能表现出良好的性能，因此SVM在信用风险评估中也得到了广泛的应用。然而大量研究表明：SVM表现较好，但并不总是能取得最好的效果。SVM有很强的学习能力和泛化能力，但SVM模型预测性能的优劣却与参数的选择密切相关。因此采用有效的方法搜寻最佳的SVM参数，获取较高的分类准确度是目前研究的热点问题。国内外学者提出的有关支持向量机模型参数(惩罚因子和核函数参数)优化的方法主要包括梯度下降法(Gradient Descent,GD)、粒子群优化算法(Particle Swarm Optimization，PSO)、果蝇优化算法(FOA)和遗传算法(Genetic Algorithm,GA)等。如姜明辉等(2007)为克服人为选择参数的随机性，用遗传算法优化SVM参数，提高了预测精度。Wang,et al(2013)提出用果蝇算法对SVM参数进行优化，运用于船舶操作的预测，预测精度比PSO-SVM和GA-SVM预测精度都高。针对传统果蝇优化算法在对参数优化时，容易陷入局部极值的缺陷。本发明对FOA进行了改进，提出了一种改进的果蝇优化算法来优化SVM的参数，并将其应用于信用风险评估中。为了体现该模型评估效果的优越性，与网格法搜索参数的SVM、GA-SVM和FOA-SVM的评估效果进行对比，实验结果证明IFOA-SVM模型在信用风险评估中可以获得更高的准确率。

发明内容

本发明的目的在于针对传统果蝇优化算法在对参数优化时，容易陷入局部极值的缺陷,对果蝇算法进行改进，提供一种改进果蝇算法优化SVM的个人信用风险评估方法，有效提高信用风险评估的准确率。

本发明提供一种基于IFOA-SVM的个人信用风险评估方法，包括：

步骤1)，根据贷款人的个人数据对信用评价指标进行量化，确定基于IFOA-SVM个人信用风险评价模型的目标函数；

步骤2)，基于支持向量机建立用来对贷款人进行信用评估的SVM模型，判别函数为其中K(x_i，y_j)为核函数，b为常数，a_i为拉格朗日因子i＝1,2...n；

步骤3)，对果蝇算法进行改进。

步骤4)，采用改进的果蝇算法优化SVM参数，用改进的果蝇算法对惩罚因子C和核函数g进行全局寻优，得到两个参数的最优解。最优解参数代入到步骤2中的SVM模型进行学习训练，建立基于IFOA-SVM的个人信用风险评估模型；

步骤5)，将步骤1中的部分用作测试的贷款人数据带入到步骤4中的基于IFOA-SVM的个人信用风险评估模型，并与网格法搜索参数的SVM、GA-SVM和FOA-SVM的评估效果进行对比，四种模型的对比结果如表1所示。

表1四类模型分类结果对比

所述步骤1包括以下子步骤：

(1,1)本发明所使用的个人信贷数据是来源第五届“泰迪杯”数据挖掘挑战赛。选取1000个借款者信息及其对应的信用评级信息，其中500组作为训练数据，500组用于测试数据。训练样本集与测试样本集分布情况如表2所示：

表2样本集分布情况

(1,2)选取银行账户的状态、持续月份、信用历史、信用保证金额度、储蓄存款账户/债券、目前工作状态、婚姻关系、个人居住情况、不动产、年龄、分期付款计划、在这家银行现有的信贷数量、可提供的担保人、电话号码有无注册、是否为外籍人士这15个评级指标作为输入变量，最后输出的是其信用评级：1代表有风险，0代表无风险。