[发明专利]一种基于模糊Logistic回归的贷款用户信用评估方法

说明书

本发明公开了一种基于模糊Logistic回归的贷款用户信用评估方法。本发明包括信用指标的选取、5点李克特量表对信用指标打分、信用指标的模糊化、贷款违约结果模糊化、构建新的模糊Logistic回归模型、基于模糊最小二乘法的模型系数求解、预测用户的信用状况等步骤。本发明使用5点李克特量表，将定性的信用指标定量化；模糊数可以反映评估问题中的固有不确定性，因此提出利用三角模糊数将其模糊化处理，避免了定性指标、范围指标定量化的绝对性，从而可以更好的运用一些比较重要的定性指标。且在Logistic回归的基础上，提出了新的模糊Logistic回归模型，对预测结果做一个可能性的评估，从而对信用评价提供准确的判断标准。

技术领域

本发明涉及计算机应用领域，尤其是一种基于模糊Logistic回归的贷款用户信用评估方法。

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。然而每年商业银行的不良贷款率都处在一个较高的水平，以至于商业银行对贷款的要求越来越苛刻，导致贷款用户很难进行贷款。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，缺乏有效的用户信用评估方法。信用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数以万计的利润。因此研究贷款用户信用评估具有很大的实用价值。

信用评估是建立信用体系的重要内容和基础，Logistic回归方法常被用于信用评估，但现有的Logistic回归方法存在以下不足：(1)传统的Logistic回归不能很好的定量化使用定性指标；(2)某些定量化的评价指标是定量在一个范围内，而不是一个确定的精确值，很难找到精确值对模型进行拟合；(3)回归的结果只能用清晰值0或1来评估用户的信用好坏，但用户信用的评估是一种可能性评估。

申请号CN107301577A的专利《信用评估模型的训练方法、信用评估方法以及装置》中公开了一种训练交叉组合特征对逻辑回归Logistic Regression模型进行训练以构建信用评估模型。包括：获取训练用户在业务系统中的训练原始行为数据；提取训练原始行为数据中的训练原始特征；根据迭代决策树GBDT模型对所述训练原始特征组合以生成对应的训练交叉组合特征对逻辑回归Logistic Regression模型进行训练以构建信用评估模型，使得该信用评估模型既具备非线性模型的高性能，又具备线性模型的可解释性。但该方法没有对定性信用指标加以合理的定量化使用，无法将一些有用的定性指标用于信用评估中，从而忽略了定性指标的作用。在《Personal credit scoring based on Logistic and RBFcombined model》一文中提出将Logistic回归模型和径向基函数(RBF)神经网络组合用于预测个人信用评估，可以有效地提高预测的精确性和稳健性。但文章中并没有对范围化的定量指标进行处理，或者直接忽略了一些范围化的定量指标。

发明内容

本发明主要解决了现有Logistic回归对定性信用指标不能定量化使用的问题与信用评估结果的绝对化问题，提出基于模糊Logistic回归方法，利用5点李克特量表评估每个信用指标的得分，运用模糊集理论中的三角模糊数将信用指标得分模糊化处理，并针对模糊化后的模型，提出采用模糊最小二乘估计法，估计回归方程的各个信用指标对应的系数，最后对每个预测的模糊结果进行归一化处理，为预测信用状况提供精准判断。

本发明的技术方案：一种基于模糊Logistic回归的贷款用户信用评估方法，其评估方法包括以下操作步骤：

步骤1：收集贷款用户数据，根据收集到的贷款用户数据，将各个贷款用户数据对应的信用指标利用5点李克特量表的方法评估其对应的得分；

步骤2：通过利用5点李克特量表处理信用指标后得到的得分，应用模糊集理论中的三角模糊数表示其与每个信用指标得分相关的模糊性，即模糊解释变量；

步骤3：根据贷款用户是否按时还贷的行为来表示贷款用户的信用状况，使用好坏来区分贷款用户是否违约的信用状况，应用三角模糊数对贷款违约的取值进行模糊化，即模糊响应变量；