文档介绍：本科毕业论文外文翻译
外文题目:Improving Personal Credit Scoring with HLVQ-C
出处: A. Vieira et al
作者:A. Vieira , João Duarte , B. Ribeiro , . Neves
译文:
通过HLVQ-C完善个人信用评分体系
引言
本文中,我们使用了多种机械研究算法来研究个人信用评分:多层感知器,LOG回归模型,支持向量机和隐层学习向量量化。这些评分模型对从葡萄牙银行收集的大量数据进行了测试。以所得出的结果为基准来考虑商业应用基础上的传统方法。本文还提出了计分模型的有效性并标明了HLVQ – C是最准确的模型。
定量信用评分模型已经制定了通过信用授予决定来将申请分为好或坏,在债务承担上违约可能性极高的被广泛定义为一组。用正确的模型来识别坏的申请人是非常重要的。小额信贷的增加使得信用评分准确性更加重要。线性判别分析法仍然被传统信用评分模型所使用。然而,随着信贷业管理下的大型贷款组合的发展,更准确的信用评分模型正在被积极地研究。这种努力主要是面向非参数统计方法,分类树,和信贷评分的应用神经网络技术。
这项工作的目的是针对目前正在调查的模型来考察几个研究模型对信用评分应用的准确度。
信用卡产业在经历了分期付款信贷的快速增长后也出现了显著发展,包括单户抵押贷款,汽车贷款,和信用卡债务。信用评分模型,也就是说,客户支付能力的贷款评级,被广泛应用于金融业,以改善现金流量和信用集合。信用评分的优点包括减少信贷成本分析,实现更快的信贷决策,密切监测现有账户,和优先集合。
个人信用评分方法是银行进行家庭贷款审批时使用的,用来设置信用卡及其他个人开支的信用额度。然而,随着金融服务项目的增长,出现了因拖欠贷款而带来的损失。例如,最近在金融系统中有次级按揭引发的危机造成了数十亿美元的损失。
对此,许多业内的信贷机构正在开发新的模型来支持个人信贷决策。这些新的信用评分模型的目标是提高准确性,这意味着更多的信用申请被授予信用从而提高利润;没有信用价值的申请被拒绝贷款从而减少损失。
主要的研究集中于两个方面:预测公司破产和个人信用风险预测。由于信用评分的专有性,有一些研究报告了商业信用评分的应用性能。有学者研究了利用多层感知神经网络预测的储蓄和贷款的财务状况。作者根据科学技术从1986年1月至1987年12月的数据集比较了多层感知器与逻辑回归模型。他们发现对每个数据集而言,神经网络模型相当或优于逻辑回归模型。
通过几个作家的研究,个人信用评分使用决策树和神经网络多层感知器对德国和澳大利亚这两个神经网络结构的个人信用数据集进行了测试。结果表明,多层感知神经网络及决策树模型都具有相当的精度水平,而目前仅轻微优于传统的参数化方法。
詹森开发了多层感知器神经网络的信用评分与三项成果:收取的义务(%),债务拖欠(%),和实收的义务。这个研究者认为神经网络的信用评分方法应该是很具有潜力的,但是其结果只获得了50例。
该研究适用于预测金融危机,无论是在公司或者个人层面进行,研究表明最精的非参数模型显示了一定的潜力但还缺乏对传统的统计技术压倒性的优势。最近,我们已经成功地应用新的数据挖掘模型,像隐层学习向量量化及支持向量机的破产预测。然而,使用这些模型的主要