• <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.

    欧美一级毛片孕妇| www.精华液| 婷婷丁香在线五月| 不卡av一区二区三区| 999久久久国产精品视频| 国产野战对白在线观看| 成在线人永久免费视频| 一进一出抽搐动态| 搡老乐熟女国产| 欧美乱色亚洲激情| 91字幕亚洲| 亚洲视频免费观看视频| 一边摸一边抽搐一进一小说| 夫妻午夜视频| 91在线观看av| 欧美日本亚洲视频在线播放| 久久精品人人爽人人爽视色| 男人操女人黄网站| xxxhd国产人妻xxx| 亚洲国产欧美日韩在线播放| 80岁老熟妇乱子伦牲交| 中文字幕人妻丝袜制服| 国产成人一区二区三区免费视频网站| 欧美最黄视频在线播放免费 | 日韩三级视频一区二区三区| 制服诱惑二区| 亚洲精品av麻豆狂野| 午夜两性在线视频| 亚洲成人国产一区在线观看| 久久精品91无色码中文字幕| 国产精品美女特级片免费视频播放器 | 国产精品成人在线| 免费在线观看日本一区| 欧美一区二区精品小视频在线| 日韩欧美三级三区| 久久九九热精品免费| 高清在线国产一区| 亚洲欧美激情在线| 国产一区二区在线av高清观看| 欧美乱妇无乱码| 亚洲国产中文字幕在线视频| 老熟妇乱子伦视频在线观看| 国产一卡二卡三卡精品| 两性夫妻黄色片| svipshipincom国产片| 欧美性长视频在线观看| 午夜福利一区二区在线看| 亚洲一码二码三码区别大吗| www.精华液| 欧美日韩瑟瑟在线播放| 国产免费av片在线观看野外av| 久久亚洲真实| 久久久久久久久免费视频了| 亚洲中文字幕日韩| 黄色视频不卡| 久9热在线精品视频| 淫妇啪啪啪对白视频| 亚洲熟女毛片儿| 黄片小视频在线播放| 亚洲五月天丁香| 国产精品久久电影中文字幕| 久久久久国内视频| 黑人欧美特级aaaaaa片| 不卡一级毛片| 男女床上黄色一级片免费看| 国产精品久久久久久人妻精品电影| 久久久国产成人免费| 校园春色视频在线观看| 窝窝影院91人妻| 女人被躁到高潮嗷嗷叫费观| 国内毛片毛片毛片毛片毛片| svipshipincom国产片| 侵犯人妻中文字幕一二三四区| 国产蜜桃级精品一区二区三区| 一级,二级,三级黄色视频| 亚洲欧美精品综合久久99| 久久精品国产综合久久久| 亚洲精品一区av在线观看| 亚洲性夜色夜夜综合| 99久久精品国产亚洲精品| 91在线观看av| 男人舔女人下体高潮全视频| 久久精品亚洲av国产电影网| 久久久久久久久中文| 国产欧美日韩一区二区三区在线| 国产欧美日韩一区二区三| 国产伦人伦偷精品视频| 国产色视频综合| 国产激情久久老熟女| 一区二区三区国产精品乱码| 黄网站色视频无遮挡免费观看| 欧美日韩黄片免| 亚洲第一av免费看| 亚洲第一青青草原| 中文字幕人妻丝袜一区二区| 久久人妻熟女aⅴ| 欧美日韩视频精品一区| aaaaa片日本免费| 国产片内射在线| 午夜日韩欧美国产| 欧美成人午夜精品| 免费少妇av软件| 国产欧美日韩精品亚洲av| а√天堂www在线а√下载| 欧美人与性动交α欧美精品济南到| 日本vs欧美在线观看视频| 久久热在线av| 水蜜桃什么品种好| 亚洲av美国av| 精品无人区乱码1区二区| 一本综合久久免费| 国产精品久久久人人做人人爽| 十八禁人妻一区二区| 50天的宝宝边吃奶边哭怎么回事| 丝袜在线中文字幕| 免费在线观看完整版高清| 亚洲五月色婷婷综合| 看片在线看免费视频| 在线观看免费高清a一片| 成年版毛片免费区| 好男人电影高清在线观看| 国产又色又爽无遮挡免费看| 成人免费观看视频高清| 亚洲一区二区三区欧美精品| 首页视频小说图片口味搜索| 欧美大码av| 久久久久国产精品人妻aⅴ院| 午夜视频精品福利| 国产精品久久久人人做人人爽| 欧美日韩乱码在线| 久9热在线精品视频| 成熟少妇高潮喷水视频| 成人三级做爰电影| 国产无遮挡羞羞视频在线观看| 国产一区二区在线av高清观看| aaaaa片日本免费| 岛国在线观看网站| 91精品三级在线观看| 精品久久久久久电影网| 久热爱精品视频在线9| 免费高清视频大片| 日本撒尿小便嘘嘘汇集6| 两性午夜刺激爽爽歪歪视频在线观看 | www.999成人在线观看| 国产国语露脸激情在线看| 一级毛片高清免费大全| 亚洲三区欧美一区| 欧美人与性动交α欧美软件| 成熟少妇高潮喷水视频| av电影中文网址| 99久久综合精品五月天人人| 国产成+人综合+亚洲专区| 久热爱精品视频在线9| 免费看a级黄色片| 日韩欧美三级三区| 香蕉丝袜av| 又大又爽又粗| 亚洲男人的天堂狠狠| 手机成人av网站| 搡老岳熟女国产| 免费女性裸体啪啪无遮挡网站| 很黄的视频免费| 黑人操中国人逼视频| 国产野战对白在线观看| 日日干狠狠操夜夜爽| 一级片'在线观看视频| 搡老熟女国产l中国老女人| 亚洲欧美日韩无卡精品| 一二三四社区在线视频社区8| 欧美日韩福利视频一区二区| 午夜91福利影院| 国产男靠女视频免费网站| 亚洲狠狠婷婷综合久久图片| x7x7x7水蜜桃| 99久久99久久久精品蜜桃| 新久久久久国产一级毛片| 国产一区二区激情短视频| 操出白浆在线播放| 窝窝影院91人妻| 女人被躁到高潮嗷嗷叫费观| 女性生殖器流出的白浆| 久久久精品国产亚洲av高清涩受| 人妻丰满熟妇av一区二区三区| 一级a爱视频在线免费观看| 男人舔女人下体高潮全视频| 麻豆成人av在线观看| av欧美777| cao死你这个sao货| 99热国产这里只有精品6| 亚洲av成人一区二区三| 欧美av亚洲av综合av国产av| 国产成人精品久久二区二区91| 国产精品永久免费网站| 黄网站色视频无遮挡免费观看| 午夜福利欧美成人| 中文字幕人妻丝袜制服| www.精华液| 曰老女人黄片| 日本 av在线| 极品教师在线免费播放| 老司机午夜十八禁免费视频| 色综合婷婷激情| 色在线成人网| 51午夜福利影视在线观看| 人妻久久中文字幕网| a级毛片黄视频| av在线播放免费不卡| 精品福利永久在线观看| 成人三级做爰电影| 国产精品久久久久成人av| www.自偷自拍.com| 黄片小视频在线播放| 亚洲五月天丁香| www.精华液| 黄网站色视频无遮挡免费观看| 欧美黄色片欧美黄色片| 欧美乱妇无乱码| 91老司机精品| 天堂俺去俺来也www色官网| 亚洲国产看品久久| 国产亚洲精品久久久久5区| 国产成人一区二区三区免费视频网站| 一级毛片高清免费大全| 亚洲少妇的诱惑av| 黑丝袜美女国产一区| 亚洲成a人片在线一区二区| 香蕉久久夜色| 免费少妇av软件| 满18在线观看网站| 99久久综合精品五月天人人| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美在线一区亚洲| 热99re8久久精品国产| 日日夜夜操网爽| 日本免费一区二区三区高清不卡 | 亚洲狠狠婷婷综合久久图片| 精品一区二区三区四区五区乱码| 午夜日韩欧美国产| 99国产极品粉嫩在线观看| 丝袜美腿诱惑在线| 国产精品亚洲av一区麻豆| 欧美 亚洲 国产 日韩一| 一级a爱片免费观看的视频| 日本免费a在线| 日本vs欧美在线观看视频| 两性午夜刺激爽爽歪歪视频在线观看 | 99re在线观看精品视频| 老鸭窝网址在线观看| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美激情在线| 国产一区二区在线av高清观看| 日本一区二区免费在线视频| 91九色精品人成在线观看| 亚洲国产毛片av蜜桃av| 大型av网站在线播放| 男女高潮啪啪啪动态图| 亚洲精品国产区一区二| 19禁男女啪啪无遮挡网站| 精品一区二区三区四区五区乱码| 香蕉久久夜色| 国产又色又爽无遮挡免费看| 中国美女看黄片| 久久国产精品人妻蜜桃| 国产成人欧美| 亚洲精品美女久久av网站| 国产熟女午夜一区二区三区| 可以在线观看毛片的网站| 嫩草影视91久久| 国产伦人伦偷精品视频| svipshipincom国产片| 动漫黄色视频在线观看| 国产精品日韩av在线免费观看 | 大码成人一级视频| 亚洲一区中文字幕在线| 亚洲精品久久成人aⅴ小说| 麻豆av在线久日| xxxhd国产人妻xxx| 女人高潮潮喷娇喘18禁视频| 欧美日韩乱码在线| 成人三级做爰电影| 女同久久另类99精品国产91| 国产一区二区激情短视频| 99久久精品国产亚洲精品| 色老头精品视频在线观看| 免费av毛片视频| 国产成人影院久久av| 夜夜躁狠狠躁天天躁| 日本免费一区二区三区高清不卡 | 午夜亚洲福利在线播放| 国产亚洲欧美98| 久久久久久久久中文| 老汉色∧v一级毛片| 亚洲精品粉嫩美女一区| 久99久视频精品免费| 亚洲色图综合在线观看| 女人高潮潮喷娇喘18禁视频| 亚洲一区二区三区欧美精品| 一区二区三区国产精品乱码| 男女下面进入的视频免费午夜 | 国产免费男女视频| 亚洲男人天堂网一区| 精品久久久久久电影网| 亚洲欧美日韩另类电影网站| 亚洲人成77777在线视频| 老熟妇乱子伦视频在线观看| 午夜福利一区二区在线看| 别揉我奶头~嗯~啊~动态视频| 亚洲专区字幕在线| 日韩精品免费视频一区二区三区| 成人手机av| 国产伦一二天堂av在线观看| 亚洲成人国产一区在线观看| 免费不卡黄色视频| 久久精品亚洲精品国产色婷小说| 精品人妻1区二区| 亚洲精品中文字幕一二三四区| 一级片'在线观看视频| 天堂俺去俺来也www色官网| 亚洲狠狠婷婷综合久久图片| 色综合欧美亚洲国产小说| 久久国产精品影院| 露出奶头的视频| 黄色丝袜av网址大全| 精品人妻1区二区| 母亲3免费完整高清在线观看| 天堂影院成人在线观看| 亚洲国产欧美日韩在线播放| 国产精品av久久久久免费| 久久久国产成人精品二区 | av在线天堂中文字幕 | 超碰成人久久| 久久狼人影院| 69精品国产乱码久久久| 免费观看精品视频网站| 神马国产精品三级电影在线观看 | 黄片大片在线免费观看| 制服人妻中文乱码| 曰老女人黄片| 欧美午夜高清在线| 国产成人av教育| 欧美 亚洲 国产 日韩一| 丰满的人妻完整版| 国产精品亚洲av一区麻豆| 日本黄色视频三级网站网址| 亚洲狠狠婷婷综合久久图片| 老司机午夜十八禁免费视频| 超碰成人久久| 国产欧美日韩精品亚洲av| 首页视频小说图片口味搜索| 一边摸一边抽搐一进一出视频| 中文字幕人妻丝袜一区二区| 成人国语在线视频| 变态另类成人亚洲欧美熟女 | av视频免费观看在线观看| 日本一区二区免费在线视频| 亚洲自偷自拍图片 自拍| 久久狼人影院| tocl精华| 无限看片的www在线观看| avwww免费| 精品熟女少妇八av免费久了| 麻豆一二三区av精品| 亚洲片人在线观看| 制服诱惑二区| 国产亚洲精品一区二区www| avwww免费| 久久久久国内视频| 人人妻人人添人人爽欧美一区卜| 成人av一区二区三区在线看| 亚洲精品美女久久久久99蜜臀| 欧美色视频一区免费| 欧美最黄视频在线播放免费 | av视频免费观看在线观看| 一边摸一边抽搐一进一小说| 黄片播放在线免费| 成人特级黄色片久久久久久久| 亚洲人成77777在线视频| 黑人欧美特级aaaaaa片| 久热这里只有精品99| 制服诱惑二区| 国产乱人伦免费视频| 欧美日韩亚洲综合一区二区三区_| 黑人欧美特级aaaaaa片| 亚洲欧美日韩无卡精品| 国产精品成人在线| 成年版毛片免费区| 成年人免费黄色播放视频| 人妻久久中文字幕网| ponron亚洲| cao死你这个sao货| 亚洲欧美日韩高清在线视频| 久久国产精品男人的天堂亚洲| 日韩有码中文字幕| 在线观看www视频免费| 亚洲黑人精品在线| 高清欧美精品videossex| 午夜福利免费观看在线| 50天的宝宝边吃奶边哭怎么回事| 啦啦啦免费观看视频1| 人人妻人人澡人人看| 黑人巨大精品欧美一区二区mp4| 男女下面插进去视频免费观看| 国产成人精品久久二区二区免费| 一区二区日韩欧美中文字幕| 日本一区二区免费在线视频| 国产精品亚洲一级av第二区| 国产成人精品无人区| 可以在线观看毛片的网站| 久久精品国产亚洲av香蕉五月| 桃色一区二区三区在线观看| 亚洲成人久久性| 国产黄色免费在线视频| 日韩免费高清中文字幕av| 日韩欧美三级三区| 久久伊人香网站| 最好的美女福利视频网| 日韩av在线大香蕉| 国产成人免费无遮挡视频| 两个人免费观看高清视频| 日本撒尿小便嘘嘘汇集6| 热re99久久精品国产66热6| 欧美成人性av电影在线观看| 可以在线观看毛片的网站| 亚洲成人国产一区在线观看| 99久久综合精品五月天人人| 成人国产一区最新在线观看| 国产色视频综合| 在线十欧美十亚洲十日本专区| 精品国产乱码久久久久久男人| 黑人操中国人逼视频| 女性生殖器流出的白浆| 亚洲欧美日韩高清在线视频| 欧美老熟妇乱子伦牲交| 搡老乐熟女国产| 久久亚洲精品不卡| 女人被狂操c到高潮| 纯流量卡能插随身wifi吗| 一区二区三区精品91| 欧美性长视频在线观看| 久久香蕉国产精品| 50天的宝宝边吃奶边哭怎么回事| 宅男免费午夜| 国产亚洲欧美精品永久| 免费看a级黄色片| x7x7x7水蜜桃| 亚洲国产欧美日韩在线播放| 超色免费av| 久热爱精品视频在线9| 国产av精品麻豆| 亚洲av片天天在线观看| 久久中文看片网| 成熟少妇高潮喷水视频| 波多野结衣高清无吗| 一级片免费观看大全| 亚洲一区二区三区不卡视频| 午夜免费鲁丝| 久久精品国产亚洲av香蕉五月| 我的亚洲天堂| 亚洲精品久久成人aⅴ小说| 国产精品亚洲av一区麻豆| 少妇粗大呻吟视频| 国产精华一区二区三区| 一边摸一边做爽爽视频免费| 一级片免费观看大全| 亚洲中文字幕日韩| 热99re8久久精品国产| 亚洲国产毛片av蜜桃av| 国产高清国产精品国产三级| 国产一区二区在线av高清观看| 在线观看舔阴道视频| 国产av精品麻豆| 亚洲国产欧美网| 亚洲精品国产精品久久久不卡| 久久久久久久久免费视频了| 国产一卡二卡三卡精品| 校园春色视频在线观看| 国产野战对白在线观看| 国产成人一区二区三区免费视频网站| 妹子高潮喷水视频| 中国美女看黄片| 日韩国内少妇激情av| 叶爱在线成人免费视频播放| 免费一级毛片在线播放高清视频 | 精品久久久久久,| 精品久久久久久电影网| 999久久久国产精品视频| 成人黄色视频免费在线看| 在线观看www视频免费| 男人的好看免费观看在线视频 | 亚洲成人精品中文字幕电影 | 欧美性长视频在线观看| 香蕉丝袜av| 国产成+人综合+亚洲专区| 嫩草影院精品99| 国产亚洲精品综合一区在线观看 | 夜夜夜夜夜久久久久| 女人高潮潮喷娇喘18禁视频| 国产欧美日韩综合在线一区二区| 无遮挡黄片免费观看| 伦理电影免费视频| 久久精品人人爽人人爽视色| 精品福利观看| 国产av又大| 村上凉子中文字幕在线| 最近最新中文字幕大全电影3 | 97碰自拍视频| 午夜久久久在线观看| 免费高清视频大片| 成人永久免费在线观看视频| 亚洲国产欧美一区二区综合| 午夜视频精品福利| 老司机福利观看| 一二三四社区在线视频社区8| 午夜福利影视在线免费观看| 麻豆av在线久日| 91字幕亚洲| 熟女少妇亚洲综合色aaa.| 长腿黑丝高跟| 两性午夜刺激爽爽歪歪视频在线观看 | 午夜免费鲁丝| 中文字幕人妻丝袜制服| 亚洲欧美精品综合一区二区三区| 在线观看免费午夜福利视频| 亚洲国产看品久久| 精品久久久久久久久久免费视频 | 亚洲欧美日韩高清在线视频| 男女之事视频高清在线观看| 国产无遮挡羞羞视频在线观看| 久久久久久亚洲精品国产蜜桃av| 91麻豆精品激情在线观看国产 | 大型av网站在线播放| 亚洲 欧美 日韩 在线 免费| 最新在线观看一区二区三区| 欧美激情 高清一区二区三区| 精品国产国语对白av| 中国美女看黄片| www.自偷自拍.com| 亚洲精品国产色婷婷电影| 五月开心婷婷网| 97人妻天天添夜夜摸| 日本一区二区免费在线视频| 两个人免费观看高清视频| 一级毛片高清免费大全| 麻豆av在线久日| av天堂在线播放| 国产人伦9x9x在线观看| 丝袜美腿诱惑在线| 亚洲 欧美 日韩 在线 免费| 可以免费在线观看a视频的电影网站| 国产精品二区激情视频| 欧美乱色亚洲激情| tocl精华| 午夜福利欧美成人| 美女福利国产在线| 视频在线观看一区二区三区| 亚洲精品一区av在线观看| 制服人妻中文乱码| 亚洲九九香蕉| 999精品在线视频| 色综合欧美亚洲国产小说| 99在线人妻在线中文字幕| 又黄又爽又免费观看的视频| 欧美日韩视频精品一区| av在线播放免费不卡| 成人精品一区二区免费| 一边摸一边抽搐一进一小说| 亚洲自拍偷在线| 国产成人av激情在线播放| 久久99一区二区三区| 欧美一区二区精品小视频在线| 夫妻午夜视频| 大陆偷拍与自拍| 精品一区二区三区视频在线观看免费 | 国产高清国产精品国产三级| 叶爱在线成人免费视频播放| 麻豆久久精品国产亚洲av | 午夜福利,免费看| 99国产精品一区二区三区| av福利片在线| 少妇被粗大的猛进出69影院| av电影中文网址| 后天国语完整版免费观看| av在线播放免费不卡| 色综合婷婷激情| 超色免费av| 亚洲国产毛片av蜜桃av| 国产精品电影一区二区三区| 亚洲精华国产精华精| 国产三级在线视频| 怎么达到女性高潮| 一级片免费观看大全| 国产野战对白在线观看| 免费观看精品视频网站| 老鸭窝网址在线观看| 国产野战对白在线观看| 脱女人内裤的视频| 久久天躁狠狠躁夜夜2o2o| 女人高潮潮喷娇喘18禁视频| 黄色a级毛片大全视频| 亚洲黑人精品在线| 亚洲精品在线观看二区| 国产精品一区二区免费欧美| 性色av乱码一区二区三区2| 黄色 视频免费看| 欧美中文综合在线视频| 99国产综合亚洲精品| 身体一侧抽搐| 少妇的丰满在线观看| 亚洲视频免费观看视频| 国产1区2区3区精品| 免费女性裸体啪啪无遮挡网站| 曰老女人黄片| 国产精品成人在线| www.自偷自拍.com| 少妇的丰满在线观看|