[发明专利]基于支持向量机的信用风险预测方法及装置

说明书

本申请公开了一种基于支持向量机的信用风险预测方法及装置，涉及信用风险预测领域和金融领域。该方法包括：获取待评估客户的多个信用指标数据；根据所述信用指标数据以及预先创建的信用风险预测模型进行信用评估，得到所述待评估客户对应的信用风险预测结果；其中，所述信用风险预测模型是基于多个客户的历史信用数据训练以及基于改进遗传算法优化得到的。本申请的通过改进遗传算法优化信用风险预测模型的参数组合，克服了群体智能算法在接近最优解时种群多样性减少，易陷入局部最优，搜索精度降低等不足，提高了信用风险预测模型的预测准确率。

技术领域

本申请涉及信用风险预测领域和金融领域，具体涉及一种基于支持向量机的信用风险预测方法及装置。

背景技术

随着互联网、大数据和人工智能等技术的发展，金融行业数据量日益增大，数据类型越来越多，数据更新速度日益加快，这为金融机构的信用风险评估工作带来了挑战，传统的信用风险评估方式已经无法适应环境的不断变化，无法满足金融行业的发展需要。

目前，神经网络、专家系统等方法已被应用于信用风险评估中。然而，进行神经网络学习时需要提供许多高质量的训练样本，利用神经网络进行训练的过程收敛速率慢，所得到的结果往往是局部最好；专家系统也有知识难以获取、知识库维护不方便等问题。

利用支持向量机(SVM)的方法进行数据训练能够很好的解决人工神经网络方法所存在的不足，在历史数据量少、非线性、高维度的情况下具有较强的处理能力和泛化能力，也能求解出全局最优解。但是支持向量机的分类性能在相当程度上是依赖于惩罚系数和核函数参数。

一些学者利用网格搜索等传统算法和群智能算法对SVM进行参数优化，如通过遗传算法和蚁群算法等对支持向量机进行参数优化，取得了比较好的诊断效果，但是这些算法比较容易陷入局部最优，搜索到局部极小值，而非全局最优值。因此，如何优化支持向量机模型，找到寻找出最佳惩罚系数和核函数参数，提高信用风险预测准确率，是亟待解决的问题。

发明内容

为了解决现有技术中存在的上述问题的至少之一，本申请实施例提供一种基于支持向量机的信用风险预测方法及装置。

根据本申请实施例的第一方面，本申请提供一种基于支持向量机的信用风险预测方法，包括：

获取待评估客户的多个信用指标数据；

根据所述信用指标数据以及预先创建的信用风险预测模型进行信用评估，得到所述待评估客户对应的信用风险预测结果；

其中，所述信用风险预测模型是基于多个客户的历史信用数据训练以及基于改进遗传算法优化得到的。

在一实施例中，所述信用指标数据包括盈利能力数据、长期负债能力数据、短期偿债能力数据以及运营能力数据。

在一实施例中，创建所述信用风险预测模型的步骤包括：

根据多个历史客户的盈利能力数据、长期负债能力数据、短期偿债能力数据以及运营能力数据确定样本数据集；

基于改进遗传算法以及所述样本数据集对支持向量机模型的待优化参数进行优化，得到支持向量机模型的最优结构参数以及最优支持向量机模型；

基于所述样本数据集对最优支持向量机模型进行训练和验证，得到所述信用风险预测模型。

在一实施例中，所述根据多个历史客户的盈利能力数据、长期负债能力数据、短期偿债能力数据以及运营能力数据确定样本数据集，包括：

获取多个客户的历史信用数据，所述历史信用数据包括盈利能力数据、长期负债能力数据、短期偿债能力数据以及运营能力数据；

基于主成分分析法对各客户的历史信用数据进行降维分析，得到用于信用风险预测的多个信用指标；