客户信用评估半监督协同训练模型研究

在现实的很多信用评估问题中,由于对样本进行类别标记需要花费大量的人力、财力和物力,往往只能获取少量有类别标签的样本来训练分类模型,而把数据库中大量无类别标签的客户样本舍弃。为解决这一问题,本研究引入半监督学习技术,并将其与多分类器集成技术中的随机子空间方法(Random Subspace, RSS)相结合,构建了类别不平衡环境下基于RSS的半监督协同训练模型RSSCI。该模型主要包括三个阶段:1)使用RSS方法训练得到若干基本分类器;2)从大量无类别标签数据集中选择性标记一部分最合适的样本加入到原始训练集中;3)在最终的训练集上训练分类模型,并对测试集样本进行分类。在三个客户信用评估数据集上进行实证分析,结果表明,RSSCI模型的信用评估性能不仅优于常用的监督式集成信用评估模型,也优于已有的一些半监督协同训练信用评估模型。     

代价敏感的目标客户选择半监督集成模型研究

在现实的目标客户选择建模中,往往只能获取少量有类别标签的样本,而剩下的大量样本都无法获取类别标签。已有研究大都使用监督式建模研究范式,仅在少量有类别标签样本集上建模,很难取得令人满意的效果。为解决这一问题,本文引入半监督学习（semi-supervised learning,SSL）技术,将其与代价敏感学习（cost sensitive learning,CSL）和多分类器集成中的随机子空间（random subspace,RSS）方法相结合,提出了代价敏感的目标客户选择半监督集成模型（cost-sensitive semi-supervised ensemble model,CSSE）。该模型使用代价敏感的支持向量机（SVM）来解决目标客户选择建模中样本数据类别分布不平衡的问题,还能够同时使用有、无类别标签的客户样本来建模。进一步地,该模型利用RSS方法训练一系列基本分类模型,并通过集成得到最终的分类结果。在某保险公司目标客户选择数据集上进行实证分析,结果表明,与两种监督式集成模型、两种单一的半监督模型以及两种半监督集成模型相比,CSSE模型具有更好的目标客户选择性能。     

银行客户信用评估动态分类器集成选择模型

现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能.针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM.该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖.从UCI数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4种常用的基于插补法的多分类器集成模型以及1种直接面向缺失数据建模的集成模型相比,DCESM模型能够取得更好的客户信用评估性能.     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

Bagging-BP算法及其在客户信用评估中的应用

随着银行信贷的发展以及其对信用风险的关注,客户信用评估已成为银行业研究的一个重要内容。目前信用评估的研究中采用单个分类器进行评估,预测精度难以提高,本文提出了Bagging-BP算法,它以BP神经网络作为基本分类器,利用Bagging方法产生多个基本分类器,最后用简单多数投票法进行集成。在UCI中的German和Australian信用数据集上的实验结果表明,Bagging-BP优于单个分类器和以其他基本分类器进行组合的算法。     

基于相似样本归并的大样本混合信用评估模型北大核心CSCDCSSCI

当前面向大样本设计的信用评估模型,大多没有深入探究大样本的分布特征,只是简单地将传统评估方法应用在大样本上.首先提出了用于描述大样本分布特征的相关属性集、边界向量等若干概念及定义,并证明了其主要性质.之后在两个大样本数据集的基础上,研究了样本在相似性方面的分布特征,最后设计了一种大样本混合信用评估模型——HLSCE模型.HLSCE模型认为在大样本数据集中,样本的同一属性在不同局部区域内,对分类性能的贡献是不同的.具体地,HLSCE模型根据各样本与边界向量的相似性差异,结合生物启发式算法,将样本归并划分为若干子集并分别在其上训练基分类器.实证研究表明,HLSCE模型的分类精度相比于现有的代表性信用评估模型更高,同时也具有更为优越的平衡性与稳定性.     

基于相似样本归并的大样本混合信用评估模型

当前面向大样本设计的信用评估模型,大多没有深入探究大样本的分布特征,只是简单地将传统评估方法应用在大样本上.首先提出了用于描述大样本分布特征的相关属性集、边界向量等若干概念及定义,并证明了其主要性质.之后在两个大样本数据集的基础上,研究了样本在相似性方面的分布特征,最后设计了一种大样本混合信用评估模型——HLSCE模型.HLSCE模型认为在大样本数据集中,样本的同一属性在不同局部区域内,对分类性能的贡献是不同的.具体地,HLSCE模型根据各样本与边界向量的相似性差异,结合生物启发式算法,将样本归并划分为若干子集并分别在其上训练基分类器.实证研究表明,HLSCE模型的分类精度相比于现有的代表性信用评估模型更高,同时也具有更为优越的平衡性与稳定性.     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

基于组合分类的消费者信用评估

为了降低单个分类模型的不稳定性,提高其应用于消费者信用评估的准确性,提出一种基于组合分类的消费者信用评估方法.首先通过有监督聚类将各个类别的数据样本划分为若干子集合,使得各个子集合中数据样本均来自同一类别,再对不同类别子集合之间进行两两组合得到训练样本子集合,然后在各个训练样本子集合中分别建立不同的分类模型.在分类模型结果综合阶段,以各个分类模型在待分类样本的近邻训练样本中的分类性能作为权重,对各个分类模型的结果进行加权投票以产生待分类样本的最终分类结果.实证研究以决策树作为基本分类器,通过在实际的消费者信用数据集上的比较分析,说明所提出方法相对于其它组合分类方法具有更高的分类准确性,可以有效应用于消费者信用评估.     

中国股市泡沫破裂临界时点动态置信区间研究

本文在对数周期幂率(LPPL)模型基础上,分别构建了“滚动窗口”以及“固定起点并移动终点”两种泡沫临界点动态置信区间构建方法,并以中国股市沪深300指数在2007年和2015年发生的两次大牛市股市崩盘为研究对象,采用两种新的方法进行样本外预测,计算出泡沫破裂的临界时点以及动态置信区间。研究结果表明,随着时间的不断推移,泡沫破裂临界时点的置信区间基本上能稳定覆盖实际发生泡沫破裂的时点。相比单纯利用LPPL模型预测临界时点方法,置信区间法能更好地克服预测临界时点随机性的情况,并能很好显示股市泡沫临界区间的变化轨迹,为投资者风险管理提供参考。     

基于风险环境的企业多层交叉信用评分模型与应用

研究基于风险环境的企多层交叉信用评分模型与信用评级方法,解决同一地区具有多个地域、多个行业和多个企业的企业、行业和地域等具有二级或以上层级结构的企业、行业和地域信用评级问题.定义了地域信用形象,针对同一地域同一行业、不同地域同一行业、同一地域不同行业和不同地域不同行业等4种不同的企业层级结构,分别建立了企业信用评分模型、行业信用评分模型和地域信用评分模型,用以对企业、行业和地域进行信用评级.以某一地区某一行业的集团公司进行项目贷款申请为例,假定该公司同时在"好"、"中"和"差"3个不同的经济发展区域分别建立3个子公司,并分别计算了该公司及其3个子公司在不同地域信用环境影响下的信用评分值,然后综合计算了在不同地域同一行业下的具有多层级结构的公司多级信用评分值,给出公司相应的信用评级结果和银行相应的信贷策略.最后还给出了集团公司具有贷款申请资格的数值条件.该方法对集团公司的信用评级方法以及银行对集团公司的信贷策略及相应决策具有科学参考依据.     

基于支持向量机集成的电子商务环境下客户信用评估模型研究

随着电子商务的快速发展,越来越多的顾客参与到电子商务中来,目前国内电子商务相关的配套设施、法律法规等均不完善,信用问题是困扰电子商务发展的主要瓶颈问题,而客户信用评估是电子商务的重要组成部分,本文利用基于模糊积分的支持向量机集成方法对客户信用进行评估,该方法考虑了各子分类器的分类结果和各子分类器判决对最终决策的重要程度。通过实证分析探讨了此法的可行性和优越性,为我国建立电子商务客户评价体系提供参考。     

股权融资下企业市场竞争策略选择的模型研究

企业市场竞争策略的制定不仅应考虑竞争双方运营层面的因素,还应重视其资本运作带来的影响。本文构建了零售商采取股权融资进行市场开拓的市场竞争模型,探讨其市场竞争策略选择及其影响因素。研究发现：零售商的市场竞争策略取决于其成长性和市场开拓的外部性;提高成长性或外部性均能促进企业的股权融资,而企业原股东的委托代理行为会抑制股权融资,并影响其市场开拓决策,但不会定性改变企业的价格竞争策略。此外,当市场开拓呈现负外部性时,竞争者应采取相应措施以避免掉入“融资企业成长性陷阱”。     

盈余管理、金融市场化与公司超额银行借款

公司在获取银行信贷的过程中会通过盈余管理以满足会计业绩审核要求的行为已得到学者们的关注, 但现有文献尚未研究公司在获得一定的银行借款后是否会继续进行盈余管理以获得超额银行借款.本文基于该问题, 以2003年～2016年中国A股上市公司为研究对象, 从应计盈余管理和真实盈余管理两个维度, 考察了盈余管理行为与公司超额银行借款之间的关系.研究结果表明, 应计盈余管理和真实盈余管理均与公司超额银行借款正相关;进一步, 在考虑地区金融市场化程度之后, 发现金融市场化弱化了应计盈余管理与公司超额银行借款的正相关关系, 但增强了公司通过真实盈余管理获得更多超额银行借款的行为.本文从公司超额银行借款行为出发, 同时结合金融市场化程度, 拓展了会计信息质量与信贷资源配置的研究视角.     

供应链库存商业信用协调的研究

本文研究由一个供应商和多个客户构成的以供应商主导的两级供应链,建立了以平均库存成本为目标函数的供应链供需同步库存模型。为了保证合理的收益分配,促进各成员加入供需合作的积极性,在模型中引入了商业信用机制,由供应商给予客户商业信用期而产生的机会成本(或利益)来平衡各成员间的利益。理论分析显示该模型存在最佳订货次数和最佳生产时间间隔,使供应链的总平均库存成本最小。最后利用算例分析和敏感性分析验证了商业信用的有效性。     

FinTech信贷规模能刺激金融机构提升涉农贷款占比吗？

金融科技提升了金融机构的风险承担水平。作为一类重要的金融科技,非金融机构的FinTech信贷规模能因为刺激金融机构提升风险承担水平,而使其加大涉农贷款投放以提高涉农贷款占比吗？本文将非金融机构的FinTech信贷规模及金融机构风险承担水平引入Opiela的模型,构建代表性金融机构的目标函数和约束条件,进行理论分析并提出研究假说;然后基于2009—2017年中国31个省市区平衡面板数据,采用个体固定效应模型,检验研究假说,探讨FinTech信贷规模与涉农贷款占比之间的关系问题。研究结果表明,FinTech信贷规模可提升金融机构的涉农贷款占比,但涉农贷款占比增速边际递减。进一步研究表明,市场化水平和房地产发展状况还通过FinTech信贷规模的部分中介效应,间接影响涉农贷款占比。最后,就发展FinTech信贷、助力乡村振兴战略的实施提出了相关政策建议。     

基于生存分析法的顾客生命周期计量研究——以商业银行信用卡顾客为例

截至目前,国内学者对于顾客生命周期的计量问题,无论是方法研究方面还是实证研究方面都未形成统一的结论。在生物学、医学等领域较为流行的生存分析方法基础上,针对实际的顾客生存资料调研数据,采用威布尔分布法和乘积极限法来估计商业银行信用卡顾客的生命周期,得出信用卡顾客的半数生存期为30个月的结论。这种将参数与非参数相结合的计量方法为国内信用卡顾客的生命周期计量提供了一种思路。