论文部分内容阅读
近年来,支持向量机已成为机器学习方法研究的新领域,该方法具有适合小样本、非线性、高维度等特点。而集成学习的方法也越来越受关注,它可以综合利用各个个体分类器的优点,提高整个学习器的泛化能力。目前信用风险已成为风险中一个重要的方面。为了预防信用风险的发生,人们开始对信用风险进行管理和预测,信用风险评价的方法也越来越多。本文主要采用两种集成方法建立模型,对信用风险进行评级。论文的主要研究内容包括：1介绍了与本文研究内容相关理论和文献。首先系统阐述了信用风险评价的现状、支持向量机分类研究的现状,以及相关的理论基础。在总结前人研究的优缺点的基础上,提出了本文采用的集成支持向量机方法。2信用风险评价指标体系的建立及建模思路。详细总结以往信用风险评价指标的选取,根据本文样本的特点,构建了用于信用风险评价的指标体系,初次共选取了反映公司七个财务方面的24个指标。同时概括介绍了本文的建模思路。3样本选取、模型的建立以及最后实证获得的结论。选取了73对配对样本,并从原有24个指标中选取了19个指标作为研究数据。建立了基于不同集成方法的信用风险评价模型,并分别与标准的支持向量机做对比,研究结果表明,Bagging_SVM和Boosting_SVM两种集成方法的判别准确率都高于标准的支持向量机模型,并且两类模型大大提高了对风险公司的判别准确率,这在实际中具有重要的指导意义。然后,还研究了不同分类器个数对两种集成模型判别正确率的影响,结果表明,弱分类器的个数的多少对模型的判断率有一定的影响,这为以后选择性集成提供了一定的依据。最后,通过ROC图比较了三种模型的性能,研究结果表明Bagging_SVM的性能最好,Boosting_SVM居中,标准SVM最差。本文创新点有两点：第一是在配对样本的选取时提出了具体的参考标准。第二是在对集成模型的研究中,不仅考虑了不同集成方法对模型判别准确率的影响,而且研究了不同数目的弱分类器集成对模型判别准确率的影响。