信用评估中的鲁棒赋权自适应Lp最小二乘支持向量机方法

中国管理科学 ›› 2010, Vol. 18 ›› Issue (5): 28-33.

信用评估中的鲁棒赋权自适应L_p最小二乘支持向量机方法

刘京礼^1,2, 李建平², 徐伟宣², 石勇³

1. 中国科学技术大学管理学院, 安徽合肥 230026;
2. 中国科学院科技政策与管理科学研究所, 北京 100190;
3. 中国科学院虚拟经济与数据科学研究中心, 北京 100190

收稿日期:2009-11-07 修回日期:2010-07-12 出版日期:2010-10-30 发布日期:2010-10-30
作者简介:刘京礼(1975- ),男(汉族),山东胶州人,中国科学技术大学管理学院,中国科学院科技政策与管理科学研究所博士生,研究方向:数据挖掘.
基金资助:
国家自然科学基金资助项目(70531040,70621001,70921061)

A Robust Weighted Adaptive L_p LS-SVM Method for Credit Risk Assessment

LIU Jing-li^1,2, LI Jian-ping², XU Wei-xuan², SHI Yong³

1. School of Management, University of Science and Technology of China, Hefei 230026, China;
2. Institute of Policy and Management, Chinese Academy of Sciences, Beijing 100190, China;
3. Research Center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China

Received:2009-11-07 Revised:2010-07-12 Online:2010-10-30 Published:2010-10-30

摘要/Abstract

摘要： 消费者信用评估是金融风险管理和信用产业竞争的一个重要方面.信用评估数据中常带有噪声点,并且其类别是不均衡的.最小二乘支持向量机是一个被广泛应用的分类模型,其模型简单,求解速度快,但鲁棒性差.本文提出了一个鲁棒赋权自适应L_p最小二乘支持向量机模型,能够适应信用评估样本数据库类别不均衡的特点,可以有效处理信用评估数据中带有噪声点的问题.在仿真数据和三个信用数据库上的实证分析表明,本文所提出的模型具有较好的鲁棒性和分类能力.

关键词: 信用评估, 鲁棒, 自适应, 最小二乘支持向量机

Abstract: Consumer credit risk assessment is an important aspect of financial risk management and credit industry competition.Credit database often contains noisy data,which makes the data uncertain.Least squares support vector machines,a widely used binary classification model,is simple and easy to be applied.In this paper,we propose a robust weighted adaptive L_p least squares support vector machines,which can deal with unbalanced data sets and noisy data.The empirical test on simulation and three credit data sets have shown the model has out standing robustness and generalization ability.

Key words: credit risk assessment, robust, adaptive, least squares support vector machines

中图分类号:

刘京礼, 李建平, 徐伟宣, 石勇. 信用评估中的鲁棒赋权自适应L_p最小二乘支持向量机方法[J]. 中国管理科学, 2010, 18(5): 28-33.

LIU Jing-li, LI Jian-ping, XU Wei-xuan, SHI Yong. A Robust Weighted Adaptive L_p LS-SVM Method for Credit Risk Assessment[J]. Chinese Journal of Management Science, 2010, 18(5): 28-33.

[1]	陈中洁, 于辉. 需求扰动下供应链反向保理的鲁棒决策[J]. 中国管理科学, 2020, 28(7): 89-101.
[2]	张梦玲, 王晶, 黄钧. 不确定需求下考虑供应商参与机制的应急资源配置鲁棒优化研究[J]. 中国管理科学, 2020, 28(7): 102-111.
[3]	杨乃定, 王京北, 张延禄, 宋悦. 考虑自适应行为的研发网络风险传播模型构建及仿真[J]. 中国管理科学, 2020, 28(3): 182-190.
[4]	孙华丽, 项美康. 设施失灵风险下不确定需求应急定位-路径鲁棒优化研究[J]. 中国管理科学, 2020, 28(2): 199-207.
[5]	邱若臻, 张多琦, 孙艺萌, 关志民. 供需不确定条件下基于CVaR的零售商库存鲁棒优化模型[J]. 中国管理科学, 2020, 28(12): 98-107.
[6]	梁小珍, 邬志坤, 杨明歌, 汪寿阳. 基于二次分解策略和模糊时间序列模型的航空客运需求预测研究[J]. 中国管理科学, 2020, 28(12): 108-117.
[7]	蒋辉, 马超群, 许旭庆, 兰秋军. 仿EM的多变量缺失数据填补算法及其在信用评估中的应用[J]. 中国管理科学, 2019, 27(3): 11-19.
[8]	郭放, 杨珺, 杨超. 考虑充电策略与电池损耗的电动汽车路径优化问题研究[J]. 中国管理科学, 2018, 26(9): 106-118.
[9]	于丽萍, 林丽凤, 邱若臻. 基于EVA与经营风险偏好的供应链鲁棒优化模型[J]. 中国管理科学, 2018, 26(2): 62-70.
[10]	周愉峰, 李志, 刘思峰. 基于随机p-鲁棒优化的国家血液战略储备库选址-库存模型[J]. 中国管理科学, 2018, 26(10): 52-63.
[11]	彭春, 李金林, 王珊珊, 冉伦. 多类应急资源配置的鲁棒选址-路径优化[J]. 中国管理科学, 2017, 25(6): 143-150.
[12]	陶莎, 盛昭瀚, 朱建波. 交互作用不确定下的项目组合选择鲁棒决策[J]. 中国管理科学, 2017, 25(4): 190-196.
[13]	王建军, 刘晓盼, 刘锋, 王杜娟. 随机机器故障下加工时间可控的并行机鲁棒调度[J]. 中国管理科学, 2017, 25(3): 137-146.
[14]	刘平阔, 谭忠富. 如何实现煤电交易稳定匹配和规模联动[J]. 中国管理科学, 2017, 25(1): 106-116.
[15]	刘舒悦, 朱建明, 黄钧, 孙军红. 地震救援中基于信息实时更新的两阶段应急物资调配模型[J]. 中国管理科学, 2016, 24(9): 124-132.