發(fā)布時間：2025-06-06 02:21

　　 為提升互聯(lián)網(wǎng)金融行業(yè)貸款人決策的直觀性與層次性,提出一種信用分級模型。對歷史樣本的信用評價指標進行主成分分析,提取關鍵信息。利用Logit回歸模型得到"是否違約"和"評價指標主成分"的關系,依據(jù)回歸方程所得的"違約概率"對借款人進行信用分級。采用遺傳模擬退火算法(GSAA)改進的BP神經(jīng)網(wǎng)絡,學習"等級"和"評價指標"間的映射規(guī)則。利用Kaggle網(wǎng)站信用數(shù)據(jù)集進行實驗,結果表明,Logit回歸結果可信度高,"依概率分級"區(qū)分度高,GSAA算法可有效提升BP神經(jīng)網(wǎng)絡的精準分級率。分級模型在測試樣本上的可信度為99.02%,優(yōu)于二值分類和指標賦權模型,可有效降低貸款人資金風險,推動互聯(lián)網(wǎng)金融行業(yè)高質(zhì)量發(fā)展。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖2BP神經(jīng)網(wǎng)絡結構2.3.2遺傳模擬退火算法（GSAA）優(yōu)化神經(jīng)網(wǎng)絡原理隱含層輸出層

指標”映射規(guī)則。為獲得更優(yōu)的神經(jīng)網(wǎng)絡，采用遺傳模擬退火算法（GSAA）優(yōu)化神經(jīng)網(wǎng)絡的初始閾值與權值。對于新樣本，只需將評價指標輸入訓練好的神經(jīng)網(wǎng)絡即可得到對應的信用等級。2.3.1BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡具有自學習能力，利用梯度搜索技術學習輸入到輸出的非線性映射關系。三層BP神經(jīng)....

圖4確定GSAA-BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元個數(shù)實驗結果由圖4可知設定BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元個數(shù)為30個神經(jīng)元25個神經(jīng)元

???愕?BP神經(jīng)網(wǎng)絡。令等級為A、B、C、D、E樣本的網(wǎng)絡輸出分別為1，2，3，4，5。對于某樣本，若網(wǎng)絡預測輸出值與實際值誤差小于等于0.05，則稱該樣本實現(xiàn)精準分級。根據(jù)不同神經(jīng)網(wǎng)絡在BP神經(jīng)網(wǎng)絡驗證集上的精準分級率確定隱含層神經(jīng)元個數(shù)。神經(jīng)網(wǎng)絡有關參數(shù)設定如下：訓練函數(shù)為....

圖5GSAA-BP神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡預測效果對比60%神12345實驗序號

玫燃鍍攔饋Ｒ糯?Ｄ饌嘶鶿惴ㄓ泄夭問?瓚?如下：最大遺傳代數(shù)為30，種群規(guī)模為10，交叉概率為0.9，變異概率為0.05，初始溫度為100，冷卻系數(shù)為0.95。為驗證遺傳模擬退火算法對神經(jīng)網(wǎng)絡優(yōu)化的有效性，在BP神經(jīng)網(wǎng)絡訓練集上分別訓練GSAA-BP神經(jīng)網(wǎng)絡和普通BP神經(jīng)網(wǎng)絡，將這....

關系新樣本信用等級神經(jīng)網(wǎng)絡新樣本信用數(shù)據(jù)圖1互聯(lián)網(wǎng)金融信用分級模型構建流程2.1主成分分析等級與評價指標的映射

局行龐悶蘭壑?標主成分，減小指標間相關程度，從而避免Logit回歸出現(xiàn)嚴重的多重共線性問題；利用Logit回歸構建“是否違約”和“評價指標主成分”關系［16］；利用Logit回歸方程得到的違約概率對樣本劃分等級；通過訓練BP神經(jīng)網(wǎng)絡，獲取“等級”和“評價指標”的映射規(guī)則。利用訓練....

本文編號：4049638