正交支持向量机及其在信用评分中的应用

发布时间：2019-01-22 14:18

【摘要】：虽然目前在实践中最常用的信用评分方法是逻辑回归,但研究的结果表明支持向量机在信用评分建模中是更为有效的方法。然而逻辑回归和支持向量机方法在高维数据分类问题上都面临着维度灾难的问题。正是基于以上原因,笔者提出了正交支持向量机的方法,并与目前常用的特征提取方法——主成分分析,逐步回归等在German信用卡数据集上进行了对比实验,交叉实验的结果表明正交支持向量机不论是在评分效果上还是评分效率上都有更好的表现。
[Abstract]:Although the most commonly used credit scoring method in practice is a logical regression, the results of the research show that the support vector machine is more effective in the credit scoring modeling. However, the method of logistic regression and support vector machine is faced with the problem of dimension disaster in the problem of high-dimensional data classification. Based on the above reasons, the author put forward the method of orthogonal support vector machine, and compared with the popular feature extraction method, principal component analysis, stepwise regression and so on on the German credit card data set. The results of the cross experiment show that the orthogonal support vector machine has better performance both in the scoring efficiency and the scoring efficiency.
【作者单位】： 中央财经大学管理科学与工程学院;北京航空航天大学经济管理学院;
【基金】：国家哲学社会科学基金青年资助项目(13CTJ004) 国家自然科学基金重点资助项目(71232003);国家自然科学基金面上资助项目(71371022)
【分类号】：F832.4

【相似文献】

相关期刊论文 前10条

1 陈海英;;基于支持向量机的上证指数预测和分析[J];计算机仿真;2013年01期

2 姚潇;余乐安;;模糊近似支持向量机模型及其在信用风险评估中的应用[J];系统工程理论与实践;2012年03期

3 郭辉;;支持向量机选择及其在股票走势预测中的应用[J];重庆师范大学学报(自然科学版);2007年04期

4 汤凌冰;盛焕烨;汤凌霄;;基于小波支持向量机的金融预测[J];湘潭大学自然科学学报;2009年01期

5 耿立艳;马军海;;基于灰色支持向量机的基金波动率预测研究[J];计算机应用研究;2009年07期

6 施剑;;基于SVM的IPO首日投资策略分析[J];计算机系统应用;2013年10期

7 张庚;易宗向;;带修正的基于支持向量机的股票短期预测[J];佛山科学技术学院学报(自然科学版);2014年02期

8 葛黎辉;周宏;;基于加权最小二乘支持向量机的金融时间序列预测[J];商场现代化;2009年12期

9 吴萌;徐全智;;支持向量机在金融时间序列预测中的应用[J];电子科技大学学报;2007年S1期

10 谭春晖;;基于支持向量机的商业银行信用风险评估和控制研究[J];信息系统工程;2010年05期

相关会议论文 前1条

1 程砚秋;杨德权;;基于决策树和支持向量机的金融预测方法[A];中国企业运筹学学术交流大会论文集[C];2007年

相关博士学位论文 前2条

1 冯业伟;基于支持向量机和移动Agent技术的银行风险早期预警系统研究[D];中国海洋大学;2011年

2 沈传河;金融问题中的支持向量机应用研究[D];山东科技大学;2011年

相关硕士学位论文 前10条

1 宋晓茜;基于支持向量机SVM的银行客户关系管理研究[D];南昌大学;2015年

2 李萌萌;基于支持向量机回归的金融系统性风险预测[D];兰州财经大学;2015年

3 李悦;基于支持向量机的股市预测[D];复旦大学;2014年

4 黄磊;基于支持向量机的创业板指数预测研究与应用[D];哈尔滨工业大学;2014年

5 王琼瑶;基于改进的支持向量机技术在股票短期价格预测中的应用[D];重庆交通大学;2015年

6 李汉琛;基于支持向量机理论的股指期货量化交易策略研究[D];浙江大学;2016年

7 周乐;支持向量机的渐近统计性质及其应用[D];浙江大学;2016年

8 郑雪生;基于支持向量机的新三板金融时间序列模型及其应用[D];山东大学;2016年

9 朱磊;基于支持向量机的股价预测研究[D];重庆工商大学;2016年

10 闫瑞雪;网络模型下证券投资组合的选择研究[D];郑州大学;2016年

，

本文编号：2413294