基于贷款人视角的互联网金融信用风险分级研究

发布时间：2025-06-06 02:21

　　 为提升互联网金融行业贷款人决策的直观性与层次性,提出一种信用分级模型。对历史样本的信用评价指标进行主成分分析,提取关键信息。利用Logit回归模型得到"是否违约"和"评价指标主成分"的关系,依据回归方程所得的"违约概率"对借款人进行信用分级。采用遗传模拟退火算法(GSAA)改进的BP神经网络,学习"等级"和"评价指标"间的映射规则。利用Kaggle网站信用数据集进行实验,结果表明,Logit回归结果可信度高,"依概率分级"区分度高,GSAA算法可有效提升BP神经网络的精准分级率。分级模型在测试样本上的可信度为99.02%,优于二值分类和指标赋权模型,可有效降低贷款人资金风险,推动互联网金融行业高质量发展。

【文章页数】：6 页

【部分图文】：

图2BP神经网络结构2.3.2遗传模拟退火算法（GSAA）优化神经网络原理隐含层输出层

指标”映射规则。为获得更优的神经网络，采用遗传模拟退火算法（GSAA）优化神经网络的初始阈值与权值。对于新样本，只需将评价指标输入训练好的神经网络即可得到对应的信用等级。2.3.1BP神经网络BP神经网络具有自学习能力，利用梯度搜索技术学习输入到输出的非线性映射关系。三层BP神经....

图4确定GSAA-BP神经网络隐含层神经元个数实验结果由图4可知设定BP神经网络隐含层神经元个数为30个神经元25个神经元

???愕?BP神经网络。令等级为A、B、C、D、E样本的网络输出分别为1，2，3，4，5。对于某样本，若网络预测输出值与实际值误差小于等于0.05，则称该样本实现精准分级。根据不同神经网络在BP神经网络验证集上的精准分级率确定隐含层神经元个数。神经网络有关参数设定如下：训练函数为....

图5GSAA-BP神经网络与BP神经网络预测效果对比60%神12345实验序号

玫燃镀拦馈Ｒ糯?Ｄ馔嘶鹚惴ㄓ泄夭问?瓒?如下：最大遗传代数为30，种群规模为10，交叉概率为0.9，变异概率为0.05，初始温度为100，冷却系数为0.95。为验证遗传模拟退火算法对神经网络优化的有效性，在BP神经网络训练集上分别训练GSAA-BP神经网络和普通BP神经网络，将这....

关系新样本信用等级神经网络新样本信用数据图1互联网金融信用分级模型构建流程2.1主成分分析等级与评价指标的映射

局行庞闷兰壑?标主成分，减小指标间相关程度，从而避免Logit回归出现严重的多重共线性问题；利用Logit回归构建“是否违约”和“评价指标主成分”关系［16］；利用Logit回归方程得到的违约概率对样本划分等级；通过训练BP神经网络，获取“等级”和“评价指标”的映射规则。利用训练....

本文编号：4049638