基于亏秩核支持向量机的快速信用评估体系研究

A sound market-oriented economic system needs a scientific credit scoring system,.which mainly refers to the standardization of the credit index system and the construction of credit scoring models. In view of the imperfection of the credit scoring system at China's present stage, this project will carry out research using Support Vector Machines (SVMs), with a focus on improving the quality in risk assessment and accelerating the pace of credit scoring. Firstly, from the perspective of improving the credit evaluation quality, we shall develop methods such as general eigen-matrix translation, null space perturbation to establish rank-deficient SVM algorithms, to extract significant indexes for model formulations. Secondly, from the perspective of speeding up evaluation, we shall make reasonable improvement for the existing traditional algorithms in solving the related optimization problems，by considering the special structures embedded in the state-of-the-art SVM variants in solving the hyper-plane parameters. We shall reduce the computational complexity，thereby enhancing efficiency in credit scoring. The main innovations in this project are: 1.The project is prospective, where research contents are in line with national conditions. 2. The model is constructed from a novel perspective of rank-deficient kernel perturbation, and the perturbation theory is established on the basis of large n small p data structure, therefore it can be applied to other areas. 3. We can facilitate the model training process and reduce computational complexity by taking advantage of the matrix structures embedded, providing research support for standardizing our credit risk management system.

健全的市场经济体系需要科学的信用评估体系，主要涉及规范信用指标体系和建立科学的信用评估模型。本项目基于现阶段我国信用评估体系不完善的特点，将以支持向量机(SVM)作为工具，以提高信用评估质量，加快评估速度为核心展开系统研究。首先，从提高信用评估质量的角度，本项目拟建立一套规范的信用指标体系，并采用广义特征矩阵平移，零空间扰动法等方法建立亏秩核支持向量机算法，挖掘重要指标集，建立最终的信用风险评估模型；其次，从加快评估速度的角度，本项目将利用不同核函数在构建核矩阵时具备的结构特性，合理改进算法，降低计算复杂度，提高信用评估的效率。项目的主要创新体现在：1.研究内容符合国情需求，具有前瞻性。2.从亏秩核扰动的新颖角度建立评估模型，且扰动理论基于大n小p的数据结构而建立，具有可推广的应用价值。3.利用矩阵结构特性简化模型训练，降低计算成本，为规范我国信用风险管理体系提供研究支持。

健全的市场经济体系需要科学的信用评估体系，主要涉及规范信用指标体系和建立科学的信用评估模型。本项目基于现阶段我国信用评估体系不完善的特点，以支持向量机(SVM)作为工具，以提高信用评估质量，加快评估速度为核心展开系统研究。首先，从提高信用评估质量的方面，从算法角度，本课题完成了以下内容：采用广义特征矩阵平移等方法建立亏秩核支持向量机算法；针对SVM领域核函数的选择偏好性，为丰富SVM核函数理论，本课题提出了一类新的核函数。其次，从提高信用评估质量方面，结合条件半正定核支持向量机模型，基于马氏距离描述数据关系，实现信用风险评估；从加快评估速度的角度，本项目利用不同核函数在构建核矩阵时具备的结构特性，合理改进算法，降低计算复杂度，提高信用评估的效率。项目用到的关键数据有：1.两个开源信用评估数据集合（UCI Machine Learning Repository Credit Evaluation）2.验证算法有效性的其他开源数据集（来自NCBI GEO和UCI Machine Learning Repository的数据集）。项目的科学意义体现在：算法理论上：1.构建了一类新的核函数，扩大了SVM的可选核函数范畴。2.从亏秩核扰动的新颖角度建立亏秩核SVM算法。实际应用上：1.构建合适的相似度量描述数据间关系，并结合条件半正定矩阵优化信用评估模型；2.利用矩阵结构特性简化模型训练，降低计算成本，为规范我国信用风险管理体系提供研究支持。

内容获取失败，请点击重试