基于数据挖掘技术的银行信用卡客户违约概率预测准确性的研究

发布时间：2020-06-26 17:19

【摘要】：信用卡首先出现在20世纪60年代欧美等发达国家,到今天其已经成为了最主要的支付工具之一。中国自改革开放后,信用卡也逐渐迎来了消费热潮和快速发展。但是由于信用卡客户违约、银行系统漏洞等一系列不确定性,导致应收账款不能及时收回,即可能发生部分或全部的违约或者坏账,这逐渐成为了各大商业银行和金融机构巨大的风险隐患。针对上述问题,本文提出了基于数据挖掘技术的银行信用卡客户违约概率预测准确性的研究。事实上,信用卡客户违约评估不仅可以帮助商业银行减轻甚至消除信贷业务的资金风险、加强客户信息的维护和信贷业务的管理,还有利于我国金融市场整体的繁荣稳定。本文首先通过调整动态自适应权重和利用柯西变异更新蝙蝠位置的方法对蝙蝠算法进行了优化,提出了一种基于动态自适应权重和柯西变异的蝙蝠优化算法,实验结果表明,该算法的收敛速度和收敛精度等性能明显优于原算法和一些别人改进过的算法。然后优化特征选择方法,提出并建立了一类基于银行客户数据的个人信用风险评估指标,通过蝙蝠优化算法组合BP神经网络的方法,针对构造的风险评估指标训练出来一种新的应用于信用卡违约预测的多分类器组合模型。在深入分析当前银行信用卡违约预测技术的基础上,本文借助台湾某商业银行30000笔客户的个人信贷数据,采用机器学习的思想对数据集进行了清洗和预处理操作,将数据拆分为了训练集与测试集。每位客户的信息中有23个自变量,根据各个变量的相关性和重要性调整了特征变量,分别使用多种数据挖掘方法对训练集进行建模。通过比较这几种模型在客户违约预测方面的准确性,选出了四个预测效果较好且有明显差异的分类器做模型组合。最后把训练出来的组合模型和组成它的基分类器模型进行了对比实验的验证,发现基于动态自适应权重和柯西变异的蝙蝠优化算法组合BP神经网络训练的多分类器组合模型具有更加准确的预测结果,在银行违约测试数据上预测准确率最高,误报率最低。本论文为商业银行信用卡客户违约概率预测问题的研究提供了一种新的解决思路和解决办法。
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;F832.2
【图文】：

神经网络模型

神经网络模型结构

模型图,单层感知器,模型图,感知器

图 2-2 单层感知器个简单的单层感知器的模型图。学家 Frank Rosenblatt 提出了感知器的概念，感知器是一种分类器，可以将它看作是一种形式最为简单的前馈神经网络

【参考文献】