• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型發(fā)展研究

    2018-09-10 23:49:31謝霖銓趙楠徐浩
    河南科技 2018年2期

    謝霖銓 趙楠 徐浩

    摘 要:個(gè)人信用風(fēng)險(xiǎn)評(píng)估是我國(guó)商業(yè)銀行信貸風(fēng)險(xiǎn)管理的重要內(nèi)容。為了有效識(shí)別個(gè)人信用風(fēng)險(xiǎn),規(guī)避由于借款者違約而給商業(yè)銀行經(jīng)營(yíng)帶來(lái)?yè)p失的風(fēng)險(xiǎn),本文對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估的發(fā)展歷程以及信用風(fēng)險(xiǎn)研究的模型進(jìn)行了總結(jié)。個(gè)人信用風(fēng)險(xiǎn)評(píng)估的模型存在一定的缺點(diǎn),還須進(jìn)一步完善研究方法,得到更精準(zhǔn)的模型,降低風(fēng)險(xiǎn)問(wèn)題的發(fā)生概率。

    關(guān)鍵詞:信用評(píng)估;統(tǒng)計(jì)學(xué)方法;人工智能方法;信用指標(biāo)體系;組合模型

    中圖分類號(hào):TP391 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1003-5168(2018)02-0011-04

    Analysis on the Development of Personal Credit Risk Assessment Model

    XIE Linquan ZHAO Nan XU Hao

    (School of Science, Jiangxi University of Science and Technology, Ganzhou Jiangxi 341000)

    Abstract: Personal credit risk assessment is an important content of our country commercial bank credit risk management, in order to effectively identify individual credit risk, avoid because borrowers default and bring the risk of loss to commercial banks, in this paper, the development of personal credit risk assessment and credit risk models of research were summarized. There are some shortcomings in the model of personal credit risk assessment, and we need to further improve the research method, get more accurate models and reduce the occurrence probability of risk problems.

    Keywords: credit evaluation;statistical method;artificial intelligence method;credit index system;portfolio model

    隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展,住房按揭、汽車貸款、商業(yè)貸款、教育貸款和信用卡消費(fèi)等各種信用貸款的規(guī)模迅速擴(kuò)大,信用消費(fèi)也逐漸占據(jù)人們的生活。個(gè)人信貸作為銀行正常運(yùn)行的主要資產(chǎn)業(yè)務(wù),對(duì)銀行的未來(lái)發(fā)展具有較大影響。隨著金融業(yè)的快速發(fā)展,銀行信貸中的信用風(fēng)險(xiǎn)問(wèn)題逐漸顯現(xiàn)出來(lái),如何加強(qiáng)信用風(fēng)險(xiǎn)的防范變得尤為重要;貸款系統(tǒng)中客戶的資源信息增加,如何有效識(shí)別借貸者并預(yù)測(cè)其未來(lái)貸款償還的意愿,降低借貸者違約事件的發(fā)生概率,已經(jīng)成為當(dāng)前銀行業(yè)以及金融機(jī)構(gòu)亟須解決的問(wèn)題。

    1 信用風(fēng)險(xiǎn)的內(nèi)涵及研究現(xiàn)狀

    1.1 信用風(fēng)險(xiǎn)的內(nèi)涵

    信用風(fēng)險(xiǎn)是指借貸者因信用違約而給放貸者造成損失的風(fēng)險(xiǎn)。從商業(yè)銀行的視角來(lái)看,信用風(fēng)險(xiǎn)源于信貸風(fēng)險(xiǎn),是借貸或交易承諾、資金使用以及資金償還等各個(gè)環(huán)節(jié)所面臨風(fēng)險(xiǎn)與市場(chǎng)風(fēng)險(xiǎn)相結(jié)合的結(jié)果。

    1.2 信用評(píng)估的研究現(xiàn)狀

    自20世紀(jì)40年代以來(lái),個(gè)人信用風(fēng)險(xiǎn)評(píng)估受到了專家學(xué)者的關(guān)注。個(gè)人信用評(píng)估的研究從早期的傳統(tǒng)方法、統(tǒng)計(jì)學(xué)方法逐步發(fā)展為人工智能方法。

    1.2.1 統(tǒng)計(jì)學(xué)方法。David Durand[1]把特性劃分差異的方法運(yùn)用在個(gè)人信用評(píng)估中,以區(qū)分貸款好壞。Orgler[2]把線性回歸方法運(yùn)用到商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估中。Wiginton[3]最先把Logistic回歸應(yīng)用于信用評(píng)估的中。Makowski[4],Carter和Catlett[5],Lee[6]把決策樹方法運(yùn)用在信用風(fēng)險(xiǎn)評(píng)估中,且取得了滿意的成果。Chatterjee和Barcun[7]最先將最近鄰方法應(yīng)用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估中。Hand[8]用最近鄰方法和決策樹方法來(lái)識(shí)別貸款風(fēng)險(xiǎn),結(jié)果顯示:最近鄰方法有更高的預(yù)測(cè)精度。Hsieh[9]的研究表明,貝葉斯網(wǎng)絡(luò)能直觀地表示屬性和概率之間的關(guān)系,具有較好的解釋性。

    1.2.2 人工智能算法。20世紀(jì)90年代以后,人工智能算法成為個(gè)人信用風(fēng)險(xiǎn)評(píng)估研究的主要方法。Odom[10]最先把神經(jīng)網(wǎng)絡(luò)的方法用于個(gè)人信用評(píng)估中。Fogarty和Ierson[11]最先將遺傳算法應(yīng)用到個(gè)人信用評(píng)分中。而Michalewicz和Obas等[12]運(yùn)用遺傳算法對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估進(jìn)行了更進(jìn)一步的探討。Baesens和Gestei[13]最早對(duì)信用評(píng)估使用支持向量機(jī),結(jié)果表明:支持向量機(jī)明顯優(yōu)于線性回歸和神經(jīng)網(wǎng)絡(luò)方法。

    1.2.3 組合方法。石慶焱[14]利用Logistic回歸和神經(jīng)網(wǎng)絡(luò)對(duì)個(gè)人信用風(fēng)險(xiǎn)進(jìn)行評(píng)估,組合模型具有更高的精度和穩(wěn)定性,且對(duì)特征變量有較好的解釋性。姜明輝等[15]通過(guò)改進(jìn)的PSO算法對(duì)SVM中的參數(shù)進(jìn)行優(yōu)化,提高了模型的分類精度,有效降低了第二類錯(cuò)誤率。向暉等[16]將判別分析、決策樹等七種方法組合起來(lái)對(duì)信用進(jìn)行評(píng)估,結(jié)果表明:組合模型能有效提高預(yù)測(cè)精度及穩(wěn)定性。高尚等[17]將K-means和支持向量機(jī)結(jié)合起來(lái),得到分類結(jié)果和具體的信用度,還有效提高了模型的預(yù)測(cè)精度。楊勝剛等[18]把決策樹BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,不僅增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的可解釋性,還提高了模型的預(yù)測(cè)精度和穩(wěn)定性。林漢川[19]等提出將Logistic回歸和隨機(jī)森林組合起來(lái)運(yùn)用到個(gè)人信用風(fēng)險(xiǎn)評(píng)估中。

    2 信用評(píng)估指標(biāo)體系分析

    一般評(píng)估指標(biāo)的識(shí)別能力采用以下3種方法。

    2.1 T檢驗(yàn)

    T檢驗(yàn),判別評(píng)估指標(biāo)數(shù)據(jù)在“信用正?!睒颖竞汀靶庞卯惓!睒颖局械木凳欠裣嗟?,通過(guò)[P]值來(lái)判別評(píng)估指標(biāo)的識(shí)別能力。

    假設(shè)樣本數(shù)據(jù)近似服從正態(tài)分布,其統(tǒng)計(jì)量為:

    [t=DSn] (1)

    式(1)中,[D]為平均差,[S]為樣本方差。

    對(duì)評(píng)估指標(biāo)進(jìn)行獨(dú)立樣本T檢驗(yàn),取置信水平[α]為0.05。若[P]值小于給定的[α],說(shuō)明評(píng)估指標(biāo)識(shí)別能力較強(qiáng);反之,則識(shí)別能力弱。

    2.2 Wald檢驗(yàn)

    Wald檢驗(yàn)可以解決T檢驗(yàn)中評(píng)估指標(biāo)數(shù)據(jù)不服從正態(tài)分布的問(wèn)題。Wald檢驗(yàn)的目的是判別非正態(tài)分布的評(píng)價(jià)指標(biāo)數(shù)據(jù)在違約樣本和非違約樣本中的均值是否相等,對(duì)信用風(fēng)險(xiǎn)是否具有較好的識(shí)別能力,其識(shí)別過(guò)程類似于T檢驗(yàn)。

    2.3 Log(Odds)判別

    Log(Odds)判別方法,首先對(duì)評(píng)估指標(biāo)進(jìn)行分欄劃分,將其劃分為[i]個(gè)欄位,然后根據(jù)違約和非違約樣本將第[i]欄位中的樣本劃分為[Niy]、[Nib],違約樣本和非違約樣本分別有[Ny]、[Nb],那么在該欄位的應(yīng)該表示為:

    [LogOddi=NiyNyNibNb] (2)

    根據(jù)公式得到結(jié)果,對(duì)這些結(jié)果進(jìn)行分析,若[LogOddi]的值呈單調(diào)性,說(shuō)明該指標(biāo)有較強(qiáng)的識(shí)別能力;反之,則指標(biāo)的識(shí)別能力較弱。

    3 個(gè)人信用評(píng)估方法的發(fā)展

    個(gè)人信用風(fēng)險(xiǎn)評(píng)估方法由定性轉(zhuǎn)變?yōu)槎垦芯?,早期信用評(píng)估以單一的統(tǒng)計(jì)方法為主,后來(lái)以非統(tǒng)計(jì)學(xué)方法作為主要的研究方式。單一的方法自身具有缺點(diǎn),專家們把兩種或多種方法組合起來(lái)研究個(gè)人信用風(fēng)險(xiǎn)評(píng)估,提高信用風(fēng)險(xiǎn)評(píng)估的精度。

    3.1 專家判別法

    商業(yè)銀行最初進(jìn)行信用風(fēng)險(xiǎn)評(píng)估采用的主要方法是專家判別法,常見(jiàn)的還有3C分析法,后來(lái)發(fā)展為5C分析法,其評(píng)價(jià)指標(biāo)為品德(Character)、能力(Capacity)、抵押擔(dān)保(Collateral)、個(gè)人條件(Condition)和資本(Capital)。

    專家判別法主要是以定性為主,操作簡(jiǎn)單,但過(guò)于依賴行業(yè)專家及信貸從業(yè)人員的經(jīng)驗(yàn),具有較強(qiáng)的主觀色彩。

    3.2 統(tǒng)計(jì)學(xué)方法

    3.2.1 判別分析法。線性判別分析法通過(guò)確定“信用正?!焙汀靶庞卯惓!眱深惪蛻舻膸缀沃行臉?gòu)建相應(yīng)的線性判別函數(shù),以對(duì)個(gè)人信貸客戶進(jìn)行分類。該方法的思路如下。

    假設(shè)樣本A由“信用正?!钡暮每蛻鬐和“信用異常”的壞客戶B組成,則[AG]和[AB]分別表示樣本中的“好”“壞”客戶。用[PG]和[PB]分別表示樣本中“好”客戶和“壞”客戶占的比例;[L]表示把一個(gè)“好”客戶錯(cuò)分為“壞”客戶造成的平均利潤(rùn)損失;[D]表示把一個(gè)“壞”客戶錯(cuò)分為“好”客戶帶來(lái)的損失;[px|G]、[px|B]分別表示“好”“壞”客戶的特征向量,取值為[x]的概率密度;[qG|x]、[qB|x]分別表示取[x]時(shí)一個(gè)“好”“壞”客戶的概率;[qG|x]正比[px|GpG],[qB|x]正比[px|BpB]。為了減少錯(cuò)分,可以通過(guò)以下公式使期望損失達(dá)到最小化:

    [min Loss=Lx∈AGpx|GpGdx+Dx∈ABpx|BpBdx]

    [=Lx∈AGqG|xdx+DqB|xdx] (3)

    由于[px|GpGpx|BpB=qG|xqB|x],則可以求出式子(3)的最優(yōu)解,即借貸者總體中的“壞”客戶[AB]的數(shù)量為:

    [AB=x|qG|xqB|x3.2.2 線性回歸法。把一般的線性回歸模型運(yùn)用到個(gè)人信用風(fēng)險(xiǎn)評(píng)估時(shí)可以這樣來(lái)描述,假設(shè)某個(gè)借貸者的違約概率[p]與申請(qǐng)者的特征變量存在著如下關(guān)系:

    [P=ω0+ω1X1+ω2X2+…+ωmXm+ε] (5)

    式(5)中,[ε]是隨機(jī)擾動(dòng)項(xiàng)。我們可以利用樣本數(shù)據(jù)對(duì)參數(shù)[ωi](i=1,2,… ,m)i和m進(jìn)行估計(jì),然后再估計(jì)出違約概率[p]的值。

    3.2.3 Logistic回歸法。先定義“信用正?!焙汀靶庞卯惓!睒颖?,則[y=1]表示到期后違約狀態(tài),[y=0]表示按期償還狀態(tài),主要是對(duì)違約概率[p]預(yù)測(cè)的研究。利用已有的樣本數(shù)據(jù)建立如式(6)所示的Logistic回歸模型:

    [logp1-p=β0+β1X1+β2X2+…βkXk] (6)

    其中,[p]表示[y=1],即“壞”貸款的概率;Xi(i=1,2,… ,k) 表示與違約概率有關(guān)的指標(biāo);[p1-p]被稱為“發(fā)生比”。

    可以用已有的樣本對(duì)模型中的[βi]進(jìn)行估計(jì),對(duì)模型進(jìn)行相關(guān)性檢驗(yàn)。根據(jù)估測(cè)出來(lái)的[βi]得到較為穩(wěn)定、預(yù)測(cè)精度較高的模型,把新的借款者的相關(guān)指標(biāo)數(shù)據(jù)帶入得到違約發(fā)生比,即可得到新的借款者的違約概率,最后考慮是否借貸給客戶。

    3.2.4 運(yùn)籌規(guī)劃方法。在運(yùn)籌規(guī)劃方法上利用數(shù)據(jù)挖掘技術(shù)擴(kuò)展了線性規(guī)劃模型,得到信用數(shù)據(jù)分類的多準(zhǔn)則線性規(guī)劃模型,模型的基本形式是:

    [Mind+α+d-αp]

    Subject to

    [α?+iαi=d-α-d+α]

    [β?-iβi=d-β-d+β]

    [AiX=b+αi-βi,Ai∈G]

    [AiX=b-αi+βi,Ai∈B] (7)

    其中,[Ai]和[b]是常數(shù);[αi]是錯(cuò)分樣本點(diǎn)偏離分界面的距離;[βi]是正確分類樣本點(diǎn)到分界面的距離;[d-α]和[d+β]是負(fù)、正偏差變量,且滿足[d+α]和[d-β≥0];[α?]和[β?]是目標(biāo)值。通過(guò)求得距離的和與目標(biāo)偏離最小,解得最優(yōu)的分類平面。

    3.2.5 決策樹方法。設(shè)總樣本[S]是樣本數(shù)據(jù)的集合,指標(biāo)屬性具有[m]個(gè)不同類[Cii=1,…,m],[Si]是類[Ci]中的樣本數(shù)。對(duì)一個(gè)給定的樣本數(shù)分類的期望式子為:

    [IS1,S2,…,Sm=-i=1mpilog2pi] (8)

    式中,[pi]是任意樣本屬于[Ci]的概率,可以用[sis]來(lái)估計(jì)。

    設(shè)屬性[A]具有[v]個(gè)不同的值[a1,a2,…,av],可以用屬性[A]將[S]劃分為[v]個(gè)子集[Si,S2,…,Sv],包括[Sj]中這樣一些樣本,在[A]上的值為[aj]。設(shè)[Sij]是[Sj]中類[Ci]的樣本數(shù)。由[A]劃分成子集為:

    [EA=i=1vS1j+…+SmjSIS1j,…,Smj] (9)

    式中,[S1j+…+SmjS]充當(dāng)?shù)赱j]個(gè)子集的權(quán),等于子集中的樣本與[S]中樣本總數(shù)的比值。熵值越小,子集劃分的精度就越高。對(duì)給定的子集[Sj]有如下表達(dá):

    [IS1j,…,Smj=-i=1mpijlog2pij] (10)

    其中,[pij=SijSj],是[Sj]中樣本屬于[Ci]的概率。

    在[A]上分枝將獲得的信息增益是:

    [GainA=IS1,S2,…,Sm-EA] (11)

    先分析影響信用的指標(biāo),然后將指標(biāo)分為不同的屬性,計(jì)算這些屬性的信息增益值,下一步計(jì)算每個(gè)屬性的熵值。通過(guò)計(jì)算屬性的每個(gè)樣本值在屬性類別的分布及每個(gè)分布期望信息,得到屬性的重要程度。最后計(jì)算屬性的風(fēng)險(xiǎn)度量值,以給顧客進(jìn)行評(píng)分,并對(duì)模型進(jìn)行預(yù)測(cè)。

    3.2.6 貝葉斯方法。本小節(jié)講述引入“稀疏學(xué)習(xí)”在信用風(fēng)險(xiǎn)評(píng)估中的貝葉斯方法。稀疏學(xué)習(xí)的一般描述是:

    [y=Dx+v] (12)

    其中,[D]為[N×M]的感知矩陣;[y]為[N×1]維矩陣;[x]為[M]維待求解向量;[v]為噪聲。通過(guò)一定的算法將[x]變?yōu)橄∈璧摹?/p>

    求得(12)中的解向量[x]。對(duì)于一個(gè)測(cè)試樣本[T],可以計(jì)算出觀測(cè)值(自變量或者屬性值)[A=a1,a2,…,aM]與因變量[r]之間的關(guān)系表達(dá)式:

    [r=Ax=i=1Maixi] (13)

    式中,[ai]是測(cè)試樣本的第[i]個(gè)屬性值;[r]是一個(gè)實(shí)數(shù)。在稀疏模型中,分別用1和-1表示正負(fù)類的標(biāo)簽,將正數(shù)和0映射為1,負(fù)數(shù)映射為-1,即:

    [LabelT=signr=signi=1Maixi] (14)

    其中,[signr]表示取數(shù)值[r]的符號(hào),即:

    [ signr=1 , r≥0-1 , r<0] (15)

    輸入[N]個(gè)訓(xùn)練樣本構(gòu)成的訓(xùn)練集[D,y],則[DD1,D2,…,DNT∈RN×M]為訓(xùn)練樣本的矩陣,[y=y1,y2,…,yN∈-1,1N×1]為樣本的類標(biāo)簽構(gòu)成的向量,測(cè)試樣本[T]的向量為[A=a1,a2,…,aM];輸出測(cè)試樣本的類標(biāo)簽[LabelT]。具體步驟如下:先將訓(xùn)練樣本屬性矩陣[D]按列進(jìn)行歸一化處理,然后根據(jù)上述求解得到最優(yōu)解向量[x]和測(cè)試樣本類標(biāo)簽[LabelT]。

    3.3 人工智能方法

    3.3.1 神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)具有自組織性、自適應(yīng)及較強(qiáng)的穩(wěn)健性的優(yōu)點(diǎn),能夠很好地用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估。目前,神經(jīng)網(wǎng)絡(luò)模型的類型已經(jīng)有不下十種方法,相較而言,BP神經(jīng)網(wǎng)絡(luò)的使用更成熟。

    在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中,BP神經(jīng)網(wǎng)絡(luò)模型的具體作用步驟如下。首先,將個(gè)人信用評(píng)價(jià)指標(biāo)體系的信息作為神經(jīng)網(wǎng)絡(luò)的輸入向量[R=r1,r2,…,rn];然后,將信用等級(jí)作為神經(jīng)網(wǎng)絡(luò)的輸出[O];最后,利用樣本,使不同的輸入向量得到不同的輸出值,則神經(jīng)網(wǎng)絡(luò)所持有的權(quán)重值為[wij],閾值就是神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)自適應(yīng)學(xué)習(xí)所得到的正確內(nèi)部表示。若神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢,可以作為個(gè)人信用評(píng)價(jià)的工具,對(duì)不同的評(píng)估對(duì)象作出相應(yīng)判斷。

    3.3.2 支持向量機(jī)(SVM)。支持向量機(jī)是一種二類分類模型,其模型是定義在特征空間上的間隔最大的線性分類器,間隔最大使其有別于感知機(jī)。

    在個(gè)人信用風(fēng)險(xiǎn)評(píng)估問(wèn)題中,對(duì)歷史樣本數(shù)據(jù)進(jìn)行預(yù)處理,然后構(gòu)建具有該函數(shù)的主持向量機(jī)模型,優(yōu)化支持向量機(jī)模型參數(shù);初始化樣本個(gè)體的位置和速度,更新樣本數(shù)據(jù)的位置和速度,直到輸出全局最優(yōu)樣本,將最優(yōu)樣本個(gè)體分解為支持向量機(jī)模型的參數(shù),完成模型訓(xùn)練,最后將支持向量機(jī)模型用于新樣本的辨別,比較樣本的誤判率。支持向量機(jī)的評(píng)分精度較高,預(yù)測(cè)能力也強(qiáng),且受變量限制少,具有很強(qiáng)的泛化能力。

    3.4 組合模型

    由于單一模型各有各的優(yōu)勢(shì),因此學(xué)者們開始對(duì)組合模型進(jìn)行研究。近年來(lái),國(guó)內(nèi)用組合的方法對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估進(jìn)行研究,且取得了不少成果。Logistic回歸和神經(jīng)網(wǎng)絡(luò)組合、K均值和支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。在實(shí)際應(yīng)用中,可以選擇合適的組合模型來(lái)提高預(yù)測(cè)的精度和穩(wěn)定性。

    4 結(jié)論

    對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型的發(fā)展進(jìn)行了梳理總結(jié),闡明了個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型由傳統(tǒng)評(píng)判方法和統(tǒng)計(jì)學(xué)方法到人工智能方法,由單一模型到組合模型的演變。

    隨著我國(guó)征信體系的不斷完善,商業(yè)銀行在進(jìn)行個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型開發(fā)時(shí),可供選擇的指標(biāo)會(huì)越來(lái)越多,這些指標(biāo)及衍生的指標(biāo)會(huì)導(dǎo)致信用評(píng)估模型的訓(xùn)練時(shí)間冗長(zhǎng),無(wú)關(guān)指標(biāo)和交叉指標(biāo)還會(huì)降低模型的預(yù)測(cè)效果,因此對(duì)信用指標(biāo)的選取有了更高的要求。我國(guó)信用評(píng)估的發(fā)展還不夠成熟,樣本數(shù)據(jù)難以獲取,各銀行的數(shù)據(jù)還沒(méi)能實(shí)現(xiàn)共享,存在信息不平衡的問(wèn)題。因此,還須尋找更加優(yōu)秀的信用評(píng)分模型。

    參考文獻(xiàn):

    [1]Durand D.Risk Elements in consumer Installment financing[M].New York:National Bureau of Economic Research,1941.

    [2] YE Orgler.A credit scoring model for commercial loans[J].Journal of Money Credit & Banking,1970(4):435-445.

    [3] JC Wiginton.A note on the comparison of logit and discriminant models of consumer credit behavior[J].Journal of Financial and Quantitative Analysis,1980(3):757-770.

    [4]P Makowski.Credit scoring branches out[J].Credit Wbrld,1985(75):30-37.

    [5]C Carter,J Catlett. Assessing credit card application using machine learning[J].IEEE Expert,1987(3):71-79.

    [6]TS Lee, CC Chiu,YC Chou,et al.Mining the customer credit using classification and regression tree and multivariate adaptive regression splines [J].Computational Statistics & DataAnalysis,2006(4):1113-1130.

    [7] S Chatterjee, S Barcun. A Nonparametric Approach to Credit Screening[J]. Publications of the American Statistical Association,1970(329):150-154.

    [8] Hand D J. Discrimination and Classification[J]. Journal of the Royal Statistical Society Series A (General),1982(4):428.

    [9] NC Hsieh, LP Hung. A data driven ensemble classifier for credit scoring analysis[J].Expert Systems with Applications,2010(1):534-545.

    [10]M Odom, R Sharda. A neural network model for bankruptcy prediction[C]// IEEE .Proceedings of the international joint conference on neural networks. Alamitos,1990.

    [11]TC Fogarty,NS Ireson. Evolving Bayesian classifiers for credit control-comparison with other machine-learning methods[J]. Ima Journal of Management Mathematics,1993(1):63-75.

    [12]Z Michalewicz. Evolutionary Algorithms for Constrained Parameter Optimization Problems[J]. Evolutionary computation,1 996(1):l-32.

    [13]Baesens B,Van Gestel TViaene S,et a1.Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research[J].Journal of the Operational Research Society,2003(1):627-635.

    [14]石慶焱.一個(gè)基于神經(jīng)網(wǎng)絡(luò)——Logistic回歸的混合兩階段個(gè)人信用評(píng)分模型研究[J].統(tǒng)計(jì)研究,2005(5):45-49.

    [15]姜明輝,袁緒川,馮玉強(qiáng).PSO-SVM模型的構(gòu)建與應(yīng)用[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2009(2):169,171.

    [16]向暉,楊勝剛.基于多分類器組合的個(gè)人信用評(píng)估模型[J].湖南大學(xué)學(xué)報(bào),20l1(3):30-33.

    [17]高尚,劉夫成.與k均值混合的支持向量機(jī)的個(gè)人信用評(píng)估[J].中南大學(xué)學(xué)報(bào),2013(S2):169-173.

    [18]楊勝剛,朱琦,成程.個(gè)人信用評(píng)估組合模型的構(gòu)建一基于決策樹一神經(jīng)網(wǎng)絡(luò)的研究[J].金融論壇,2013(2):57-61.

    [19]林漢川,張萬(wàn)軍,楊柳.基于大數(shù)據(jù)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估關(guān)鍵技術(shù)研[J].管理現(xiàn)代化,2016(4):95-97.

    久久久成人免费电影| 国产精品国产三级国产专区5o| 欧美精品一区二区免费开放| 蜜桃亚洲精品一区二区三区| 99热这里只有是精品50| 日本猛色少妇xxxxx猛交久久| 欧美三级亚洲精品| 国产精品一区www在线观看| av在线观看视频网站免费| 色5月婷婷丁香| 舔av片在线| 亚洲久久久国产精品| 亚洲成人手机| 欧美日韩在线观看h| 久久精品国产亚洲网站| av又黄又爽大尺度在线免费看| 精品亚洲成a人片在线观看 | a 毛片基地| 我要看日韩黄色一级片| 少妇高潮的动态图| 免费黄色在线免费观看| 男人舔奶头视频| 亚洲成人一二三区av| 亚洲欧美成人综合另类久久久| 午夜免费观看性视频| 欧美成人一区二区免费高清观看| 亚洲av国产av综合av卡| 涩涩av久久男人的天堂| 插阴视频在线观看视频| 看非洲黑人一级黄片| 中国美白少妇内射xxxbb| 欧美日韩视频精品一区| 午夜免费观看性视频| 成人漫画全彩无遮挡| 在线看a的网站| 伊人久久国产一区二区| 久久 成人 亚洲| 美女主播在线视频| 欧美+日韩+精品| 国产淫片久久久久久久久| av国产免费在线观看| 中文在线观看免费www的网站| av国产免费在线观看| 久久久久久久久久成人| 亚洲人与动物交配视频| 亚洲自偷自拍三级| 你懂的网址亚洲精品在线观看| 纯流量卡能插随身wifi吗| 亚洲av电影在线观看一区二区三区| 日本免费在线观看一区| 又爽又黄a免费视频| 亚洲,一卡二卡三卡| 最近最新中文字幕免费大全7| 肉色欧美久久久久久久蜜桃| 日韩成人av中文字幕在线观看| 3wmmmm亚洲av在线观看| 亚洲久久久国产精品| 欧美丝袜亚洲另类| 中文字幕亚洲精品专区| 国产成人精品婷婷| 全区人妻精品视频| 黄色欧美视频在线观看| 国产久久久一区二区三区| 国产精品久久久久久精品电影小说 | 日日摸夜夜添夜夜爱| 国产伦在线观看视频一区| 久久精品国产亚洲av天美| 最近的中文字幕免费完整| 国产国拍精品亚洲av在线观看| 在线看a的网站| 干丝袜人妻中文字幕| 毛片一级片免费看久久久久| 一级片'在线观看视频| 精品少妇黑人巨大在线播放| a级毛色黄片| 菩萨蛮人人尽说江南好唐韦庄| 国产精品一区二区三区四区免费观看| 高清毛片免费看| 最近手机中文字幕大全| 噜噜噜噜噜久久久久久91| 久久久久久九九精品二区国产| 精品一区二区三卡| 亚洲人成网站高清观看| 国产精品久久久久久精品古装| 午夜福利影视在线免费观看| 97在线视频观看| 亚洲av男天堂| 少妇人妻一区二区三区视频| 成人毛片60女人毛片免费| av天堂中文字幕网| 精品少妇黑人巨大在线播放| 亚洲人成网站在线观看播放| 老女人水多毛片| 亚洲精品456在线播放app| 国产精品久久久久成人av| av在线播放精品| 国产视频首页在线观看| 久久久精品94久久精品| av在线观看视频网站免费| 欧美区成人在线视频| 欧美三级亚洲精品| 国产成人午夜福利电影在线观看| 久久精品国产鲁丝片午夜精品| 能在线免费看毛片的网站| 欧美性感艳星| 欧美国产精品一级二级三级 | 亚洲国产精品999| 国产伦在线观看视频一区| 久久精品熟女亚洲av麻豆精品| 国产视频内射| 国产精品国产三级国产专区5o| 日韩亚洲欧美综合| 我要看黄色一级片免费的| 99久久精品国产国产毛片| 一级毛片电影观看| 午夜激情久久久久久久| 国产精品一及| av国产免费在线观看| 国产伦精品一区二区三区视频9| 日韩精品有码人妻一区| 国内揄拍国产精品人妻在线| 99热国产这里只有精品6| 国产极品天堂在线| 高清午夜精品一区二区三区| 国产男女超爽视频在线观看| 人人妻人人爽人人添夜夜欢视频 | 美女福利国产在线 | 欧美日韩视频高清一区二区三区二| 久久综合国产亚洲精品| 久久人人爽av亚洲精品天堂 | 国产一区有黄有色的免费视频| 精品亚洲成国产av| 亚洲图色成人| 久久精品国产鲁丝片午夜精品| 欧美成人午夜免费资源| 久久精品国产亚洲av天美| 国产亚洲av片在线观看秒播厂| 蜜桃亚洲精品一区二区三区| 欧美精品亚洲一区二区| 国产黄色视频一区二区在线观看| 国产成人a∨麻豆精品| 欧美精品国产亚洲| 全区人妻精品视频| 亚洲人成网站高清观看| 少妇熟女欧美另类| 国产精品99久久99久久久不卡 | 国产片特级美女逼逼视频| 日韩强制内射视频| freevideosex欧美| 日韩人妻高清精品专区| 精品一品国产午夜福利视频| 中文在线观看免费www的网站| 亚洲av免费高清在线观看| 我要看黄色一级片免费的| 亚洲色图综合在线观看| 九色成人免费人妻av| 少妇的逼好多水| 久久人人爽人人爽人人片va| 久久97久久精品| 成年美女黄网站色视频大全免费 | 九九爱精品视频在线观看| 国产精品蜜桃在线观看| 嫩草影院新地址| 高清不卡的av网站| 六月丁香七月| 成人18禁高潮啪啪吃奶动态图 | 狂野欧美白嫩少妇大欣赏| 国内精品宾馆在线| 美女内射精品一级片tv| 成人无遮挡网站| 久久 成人 亚洲| 国产亚洲精品久久久com| 国产片特级美女逼逼视频| 性色av一级| 欧美日韩国产mv在线观看视频 | 久久久久久人妻| 在线观看免费视频网站a站| av线在线观看网站| 啦啦啦啦在线视频资源| 性色av一级| 国产一级毛片在线| av不卡在线播放| 亚洲,一卡二卡三卡| 亚洲欧洲日产国产| 久久影院123| 久久6这里有精品| 青青草视频在线视频观看| 国产av国产精品国产| 99九九线精品视频在线观看视频| 视频中文字幕在线观看| 最近中文字幕高清免费大全6| 亚洲色图综合在线观看| 大片免费播放器 马上看| 王馨瑶露胸无遮挡在线观看| 成人无遮挡网站| 在线 av 中文字幕| 亚洲人与动物交配视频| 成人二区视频| 99久久人妻综合| 国产亚洲av片在线观看秒播厂| 蜜桃亚洲精品一区二区三区| 亚洲精品成人av观看孕妇| 99热这里只有是精品在线观看| 91精品国产九色| 国产又色又爽无遮挡免| 在线天堂最新版资源| 国产免费福利视频在线观看| 日产精品乱码卡一卡2卡三| 菩萨蛮人人尽说江南好唐韦庄| 天堂8中文在线网| 亚洲av福利一区| 成人18禁高潮啪啪吃奶动态图 | 美女内射精品一级片tv| 18禁裸乳无遮挡免费网站照片| 国产中年淑女户外野战色| 99久久人妻综合| 蜜桃在线观看..| 国产有黄有色有爽视频| 午夜福利高清视频| 国产高潮美女av| 国产成人精品久久久久久| 大话2 男鬼变身卡| 国产一区二区三区av在线| 高清日韩中文字幕在线| 国产一区二区三区av在线| 美女主播在线视频| 国产成人精品婷婷| 久久午夜福利片| 成年免费大片在线观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲,欧美,日韩| 成人毛片60女人毛片免费| 成人黄色视频免费在线看| 久久久久久久久大av| 久久综合国产亚洲精品| 亚洲精品国产av成人精品| 亚洲高清免费不卡视频| 久久精品夜色国产| av在线老鸭窝| 亚洲国产日韩一区二区| 亚洲精华国产精华液的使用体验| av天堂中文字幕网| 男人舔奶头视频| 国产精品国产三级国产av玫瑰| 自拍欧美九色日韩亚洲蝌蚪91 | 最黄视频免费看| av又黄又爽大尺度在线免费看| 久久久久久久精品精品| 精品一区二区三区视频在线| 狠狠精品人妻久久久久久综合| 亚洲第一av免费看| 99re6热这里在线精品视频| 久久久久国产网址| 黑人猛操日本美女一级片| 免费观看无遮挡的男女| 成年人午夜在线观看视频| 乱系列少妇在线播放| 亚洲av综合色区一区| 高清在线视频一区二区三区| 国产又色又爽无遮挡免| 波野结衣二区三区在线| 亚洲精品自拍成人| 又大又黄又爽视频免费| 国产精品欧美亚洲77777| 大片免费播放器 马上看| 亚洲欧美日韩另类电影网站 | 精品久久久噜噜| 网址你懂的国产日韩在线| 一区在线观看完整版| 欧美bdsm另类| 黑人猛操日本美女一级片| 女人十人毛片免费观看3o分钟| 亚洲综合精品二区| 内地一区二区视频在线| 精品少妇黑人巨大在线播放| 久久久久久九九精品二区国产| 少妇丰满av| 精品少妇久久久久久888优播| 久久人人爽人人片av| 免费少妇av软件| 亚洲丝袜综合中文字幕| 日韩欧美一区视频在线观看 | 国产色爽女视频免费观看| 大香蕉久久网| 久久国产乱子免费精品| 大码成人一级视频| 青青草视频在线视频观看| 日韩亚洲欧美综合| 亚洲av不卡在线观看| 人人妻人人看人人澡| 两个人的视频大全免费| 亚洲自偷自拍三级| 亚洲综合精品二区| 中文字幕亚洲精品专区| 亚洲精品一二三| 国产av码专区亚洲av| 在线观看免费日韩欧美大片 | 久久99热6这里只有精品| 精品一品国产午夜福利视频| 大陆偷拍与自拍| 91午夜精品亚洲一区二区三区| 免费播放大片免费观看视频在线观看| 男女边吃奶边做爰视频| 国产亚洲精品久久久com| 亚洲精品中文字幕在线视频 | 人人妻人人添人人爽欧美一区卜 | 中文字幕久久专区| 美女脱内裤让男人舔精品视频| 视频区图区小说| 六月丁香七月| 一级爰片在线观看| 欧美三级亚洲精品| 亚洲伊人久久精品综合| 久久99热这里只频精品6学生| 最近2019中文字幕mv第一页| 嘟嘟电影网在线观看| 伊人久久精品亚洲午夜| 亚洲精品自拍成人| 久久久久久久久大av| 女人十人毛片免费观看3o分钟| 秋霞在线观看毛片| 成人美女网站在线观看视频| 老司机影院毛片| 一区二区av电影网| 偷拍熟女少妇极品色| 欧美精品亚洲一区二区| 免费人成在线观看视频色| 国内少妇人妻偷人精品xxx网站| 久久精品国产自在天天线| 成人影院久久| 国内精品宾馆在线| 伊人久久国产一区二区| av福利片在线观看| 亚洲欧洲国产日韩| 免费大片18禁| 成年免费大片在线观看| 人人妻人人看人人澡| 亚洲激情五月婷婷啪啪| 国产高清国产精品国产三级 | 国产精品.久久久| 国产成人一区二区在线| 熟女电影av网| 亚洲精品自拍成人| 搡女人真爽免费视频火全软件| 一二三四中文在线观看免费高清| 极品教师在线视频| 亚洲国产精品999| 国产精品一区二区在线观看99| 精品国产乱码久久久久久小说| 免费大片18禁| 狠狠精品人妻久久久久久综合| 国产白丝娇喘喷水9色精品| av免费观看日本| 久久韩国三级中文字幕| 直男gayav资源| 99视频精品全部免费 在线| 免费不卡的大黄色大毛片视频在线观看| 免费观看无遮挡的男女| 亚洲人成网站在线播| 久久久久国产网址| 久久99精品国语久久久| 成人漫画全彩无遮挡| 干丝袜人妻中文字幕| 亚洲中文av在线| 少妇丰满av| 日韩成人av中文字幕在线观看| 麻豆乱淫一区二区| 欧美97在线视频| 亚洲欧美日韩卡通动漫| 亚洲图色成人| 国产成人一区二区在线| 亚洲欧美精品专区久久| 国产综合精华液| 性色av一级| 免费看光身美女| 日韩不卡一区二区三区视频在线| 亚洲高清免费不卡视频| 精品亚洲成国产av| 国产高清不卡午夜福利| 色吧在线观看| 高清欧美精品videossex| 欧美成人精品欧美一级黄| 国产成人精品福利久久| 色吧在线观看| 爱豆传媒免费全集在线观看| 97热精品久久久久久| 97在线人人人人妻| 99精国产麻豆久久婷婷| 中国三级夫妇交换| 老司机影院成人| 日韩一区二区视频免费看| 日韩人妻高清精品专区| 久久ye,这里只有精品| 狂野欧美白嫩少妇大欣赏| 欧美高清成人免费视频www| 亚洲av国产av综合av卡| av一本久久久久| 国产视频内射| 国产一区二区三区综合在线观看 | 国产日韩欧美亚洲二区| 久久久精品免费免费高清| 亚洲第一区二区三区不卡| 日韩av免费高清视频| 亚洲欧美日韩另类电影网站 | 成人毛片60女人毛片免费| 国国产精品蜜臀av免费| 三级国产精品片| 国产精品一区二区在线观看99| 亚洲av国产av综合av卡| 欧美一区二区亚洲| 三级国产精品片| 国产精品一区二区三区四区免费观看| 亚洲精品色激情综合| 国产精品熟女久久久久浪| 成年女人在线观看亚洲视频| 国内少妇人妻偷人精品xxx网站| 国产国拍精品亚洲av在线观看| 亚洲国产精品成人久久小说| 人人妻人人爽人人添夜夜欢视频 | 国产精品不卡视频一区二区| 免费观看a级毛片全部| 日本一二三区视频观看| kizo精华| 亚洲国产精品专区欧美| 国产精品嫩草影院av在线观看| tube8黄色片| 制服丝袜香蕉在线| 成人影院久久| 久久久久久久国产电影| 国产男女超爽视频在线观看| 黑人猛操日本美女一级片| 免费看日本二区| 肉色欧美久久久久久久蜜桃| 免费av中文字幕在线| 妹子高潮喷水视频| 国产高清不卡午夜福利| av一本久久久久| 欧美成人午夜免费资源| 我的老师免费观看完整版| 偷拍熟女少妇极品色| 国产日韩欧美亚洲二区| 男女边摸边吃奶| 亚洲高清免费不卡视频| 又黄又爽又刺激的免费视频.| 久久久久久九九精品二区国产| 国精品久久久久久国模美| 国产免费又黄又爽又色| 国产精品无大码| 91精品国产国语对白视频| 妹子高潮喷水视频| 久久人妻熟女aⅴ| 久久人人爽av亚洲精品天堂 | 亚洲欧美精品自产自拍| 色视频在线一区二区三区| 校园人妻丝袜中文字幕| 乱系列少妇在线播放| www.av在线官网国产| 黑人高潮一二区| 欧美3d第一页| 免费观看在线日韩| 少妇裸体淫交视频免费看高清| 一级爰片在线观看| 久久国产乱子免费精品| 亚洲精品日本国产第一区| 内射极品少妇av片p| 免费不卡的大黄色大毛片视频在线观看| 狂野欧美白嫩少妇大欣赏| 国产成人精品福利久久| 欧美精品国产亚洲| 免费看日本二区| 天堂中文最新版在线下载| 欧美一区二区亚洲| 国产 一区 欧美 日韩| 亚洲av中文av极速乱| av国产久精品久网站免费入址| 人妻 亚洲 视频| 日韩制服骚丝袜av| 韩国高清视频一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 深爱激情五月婷婷| 一级爰片在线观看| 3wmmmm亚洲av在线观看| 五月天丁香电影| 成人高潮视频无遮挡免费网站| 欧美精品国产亚洲| 熟妇人妻不卡中文字幕| 男女边摸边吃奶| 18禁裸乳无遮挡免费网站照片| 高清视频免费观看一区二区| 一级片'在线观看视频| 亚洲人成网站在线播| 在线观看av片永久免费下载| 国产精品久久久久久av不卡| 国产亚洲最大av| av黄色大香蕉| 精品久久久久久久久亚洲| 亚洲欧美中文字幕日韩二区| 99视频精品全部免费 在线| 超碰av人人做人人爽久久| av在线老鸭窝| 美女主播在线视频| 在线免费观看不下载黄p国产| 午夜福利网站1000一区二区三区| av不卡在线播放| 大香蕉久久网| 深爱激情五月婷婷| 久久久精品免费免费高清| 国产成人免费观看mmmm| 欧美日韩亚洲高清精品| 久久久午夜欧美精品| 亚洲四区av| 性高湖久久久久久久久免费观看| 亚洲国产精品一区三区| 亚洲丝袜综合中文字幕| 亚洲av男天堂| 国产久久久一区二区三区| 91aial.com中文字幕在线观看| 五月天丁香电影| 国产精品一区二区在线观看99| 欧美日韩视频高清一区二区三区二| 久久精品熟女亚洲av麻豆精品| 久久久成人免费电影| 国产精品久久久久久久久免| 男女边摸边吃奶| av不卡在线播放| 久久国产精品大桥未久av | 亚洲一级一片aⅴ在线观看| 亚洲人成网站在线播| 黄片无遮挡物在线观看| 亚洲精品第二区| 两个人的视频大全免费| 一级毛片我不卡| 精品少妇黑人巨大在线播放| 一级二级三级毛片免费看| 亚洲人成网站高清观看| 久久精品久久久久久噜噜老黄| 干丝袜人妻中文字幕| 男女边摸边吃奶| 精品一区二区三区视频在线| 美女脱内裤让男人舔精品视频| 国产免费一区二区三区四区乱码| 看免费成人av毛片| 在线观看国产h片| 日韩欧美一区视频在线观看 | 视频区图区小说| 中文字幕亚洲精品专区| 深夜a级毛片| 亚洲国产精品成人久久小说| 免费观看av网站的网址| 成人无遮挡网站| 久久久久久久久久久免费av| 视频中文字幕在线观看| 在线播放无遮挡| 一级毛片电影观看| av专区在线播放| 国产亚洲欧美精品永久| 观看免费一级毛片| 久久久久久伊人网av| 99热这里只有精品一区| 亚洲熟女精品中文字幕| 久久久久性生活片| 天天躁夜夜躁狠狠久久av| 五月天丁香电影| 日本-黄色视频高清免费观看| 欧美xxxx黑人xx丫x性爽| 国产精品一区二区三区四区免费观看| 18禁在线播放成人免费| 久久久欧美国产精品| 一级a做视频免费观看| 免费少妇av软件| 日韩三级伦理在线观看| 国产大屁股一区二区在线视频| 亚洲国产av新网站| 欧美高清性xxxxhd video| 少妇被粗大猛烈的视频| 国产v大片淫在线免费观看| 欧美日韩在线观看h| 热re99久久精品国产66热6| 汤姆久久久久久久影院中文字幕| 狂野欧美激情性bbbbbb| 我的老师免费观看完整版| 大香蕉97超碰在线| 欧美三级亚洲精品| 国产精品久久久久成人av| 全区人妻精品视频| 亚洲综合精品二区| 纵有疾风起免费观看全集完整版| 少妇 在线观看| 欧美日韩在线观看h| 久久精品国产亚洲av天美| 欧美日韩精品成人综合77777| 亚洲精品456在线播放app| 久久国产乱子免费精品| 国产精品伦人一区二区| 久久国产乱子免费精品| 美女视频免费永久观看网站| 哪个播放器可以免费观看大片| 亚洲精品中文字幕在线视频 | 成年女人在线观看亚洲视频| 午夜激情久久久久久久| 美女中出高潮动态图| 一级a做视频免费观看| 久久久精品免费免费高清| 激情 狠狠 欧美| 麻豆成人av视频| 在线观看美女被高潮喷水网站| 伦精品一区二区三区| 美女福利国产在线 | 久久国产乱子免费精品| 亚洲av不卡在线观看| 九九久久精品国产亚洲av麻豆| 老熟女久久久| 自拍欧美九色日韩亚洲蝌蚪91 | 新久久久久国产一级毛片| 国产一区亚洲一区在线观看|