卡特琳娜·利伯拉蒂;弗里奥·卡米洛;吉尔伯特·萨波尔塔 信用评分进展：在核判别分析中结合表现和解释。 （英语） Zbl 1414.62421号 高级数据分析。分类。，ADAC公司 第121-138号第11页（2017年）. 摘要：由于最近的金融风暴，银行界正在讨论如何取得长期成功，以及如何在信用评分方面采取详尽有力的策略。最近，机器学习算法的重大理论进展推动了基于核的分类器的应用，产生了非常有效的结果。不幸的是，这些工具无法为其提供的解决方案提供解释或可理解的理由。在本文中，我们提出了一种新的信用评分数据建模策略，该策略间接地将核心机器的分类能力挖掘到一个操作域中。如果所有预测值都是数值的，则通过线性回归来执行核分类器的重建过程；如果某些或所有预测值是分类的，则可以通过一般线性模型来执行。由于这种近似，性能损失由最终用户更好的可解释性来平衡，最终用户能够对预测中设置的每类变量的影响进行排序、理解和排序。对意大利银行案例研究进行了说明和讨论；实证结果表明，该策略具有良好的性能。 引用于2文件 MSC公司： 62P05号 统计学在精算科学和金融数学中的应用 62H30型 分类和区分；聚类分析（统计方面） 关键词：信用评分;核判别分析;不相等的;中小企业 PDF格式BibTeX公司 XML格式引用 \textit{C.Liberati}等人，高级数据分析。分类。，ADAC 11，No.1，121--138（2017；Zbl 1414.62421） 全文： 内政部 参考文献： [1] Abdou H、Pointon J、El Masry A（2008），埃及银行信贷评分中神经网络与传统技术的比较。专家系统应用35:1275-1292·doi:10.1016/j.eswa.2007.08.030 [2] AkkoçS（2012）传统技术、神经网络和用于信用评分分析的三阶段混合自适应神经模糊推理系统（anfis）模型的实证比较：土耳其信用卡数据案例。欧洲运营研究杂志222:168-178·doi:10.1016/j.ejor.2012.04.009 [3] Altman E，Sabato G（2007）《中小企业信贷风险建模：来自美国市场的证据》。阿巴克斯43（3）：332-357·文件编号：10.1111/j.1467-6281.2007.00234.x [4] Altman E，Sabato G，Wilson N（2010）非财务信息在中小企业风险管理中的价值。J信用风险6（2）：95-127·doi:10.21314/JCR.2010.110 [5] Angelini E、Di Tollo G、Roli A（2008）信贷风险评估的神经网络方法。Q经济金融评论48:733-755·doi:10.1016/j.qref.2007.04.001 [6] Back B，Laitine T，Sere K，van Wezel M（1996）使用判别分析、logit分析和遗传算法选择破产预测因子。摘自：第一届会计、金融和税务人工智能国际会议记录，第337-356页 [7] Baesens B、Van Gestel T、Viaene S、Stepanova M、Suykens J、Vantheenen J（2003）《信用评分的最新分类算法基准》。《运营研究学会杂志》54（6）：627-635·Zbl 1097.91516号 ·doi:10.1057/palgrave.jors.2601545 [8] Barakat N，Bradley AP（2010）使用神经网络评估消费者贷款。神经计算74:178-190·doi:10.1016/j.neucom.2010.02.016 [9] 《巴塞尔协议I》（2011年）《弹性更强的银行和银行体系的全球监管框架》 [10] Baudat G，Anouar F（2000）使用核方法的广义判别分析。神经计算12:2385-2404·doi:10.1162/089976600300014980 [11] 《Benzécri J》（1973），《唐纳分析》，第2卷。多诺德L'analyse des données·Zbl 0297.62039号 [12] Benzécri JP（1979）《关于计算惰性物质的调查问卷分析》，附录和勘误表（bin.mult.）。Cah Ana Donnes 4（3）：377-378 [13] 博兹多安，H。；卡米略，F。；利伯拉蒂，C。；Zani，S.（编辑）；Cerioli，A.（编辑）；Riani，M.（编辑）；Vichi，M.（编辑），《利用信息复杂性进行核判别分析时核函数的选择》，11-21（2006），柏林·Zbl 1435.62227号 ·doi:10.1007/3-540-35978-82 [14] Cawley GC，Talbot NLC（2003），核心Fisher判别分类器的高效leave-on-out交叉验证。图案识别36（11）：2585-2592·Zbl 1059.68101号 ·doi:10.1016/S0031-3203（03）00136-5 [15] Chapelle O，Vapnik V，Bousquet O，Mukherjee S（2002）为支持向量机选择多个参数。马赫学习46:131-159·Zbl 0998.68101号 ·doi:10.1023/A：1012450327387 [16] 坎宁安·P、多伊尔·D、洛格雷·J（2003）《基于案例的解释的有用性评估》。摘自：兰利·P（ed）第五届基于案例推理国际会议论文集（ICCBR 2003）。摩根·考夫曼，纽约，第122-130页·Zbl 1045.68682号 [17] Derelio-lu G，Gürgen F（2011）土耳其中小企业+S信贷风险分析问题的神经方法知识发现。专家系统应用38:9313-9318·doi:10.1016/j.eswa.2011.01.012 [18] Duda RO，Hart P，Stork D（2000）模式分类。纽约威利·Zbl 0968.68140号 [19] Friedman JH（1989）正则化判别分析。美国统计协会杂志84（405）：165-175·doi:10.1080/01621459.1989.10478752 [20] Gönen GB，Gönnen M，Gürgen F（2012）《支持向量机和神经网络的信用评级分析：市场比较研究》。专家系统应用39:11709-11717 [21] Greenacre MJ（1984）对应分析的理论与应用。伦敦学术出版社·Zbl 0555.62005号 [22] Grunet J、Norden L、Weber M（2008）非财务因素在内部信用评级中的作用。J银行财务2:509-531 [23] Hill P，Wilson N（2007）预测非上市公司的破产。收件人：利兹大学CMRC工作文件 [24] Hosmer D、Lemeshow S（1989）应用逻辑回归。纽约威利·Zbl 0967.62045号 [25] Huang CL，Wang CJ（2006）基于遗传算法的支持向量机特征选择和参数优化。专家系统应用31:231-240·doi:10.1016/j.eswa.2005.09.024 [26] Huang Z，Chen H，Hsu CJ，Chen WH，Wu S（2004）支持向量机和神经网络的信用评级分析：市场比较研究。Decis支持系统37（4）：543-558·doi:10.1016/S0167-9236（03）00086-1 [27] Huang YM，Hung C，Jiau HC（2006）基于等级失衡问题的信用评估任务的神经网络和数据挖掘方法评估。非线性模拟现实世界应用程序7:720-747·Zbl 1160.91368号 ·doi:10.1016/j.nonrwa.2005.04.006 [28] Huang CL，Chen MC，Wang CJ（2007）基于支持向量机的数据挖掘方法的信用评分。专家系统应用33:847-856·doi:10.1016/j.eswa.2006.07.007 [29] Karush W（1939）以不等式作为边约束的多变量函数的极小值。芝加哥大学硕士论文 [30] Khandani AE，Kim AJ，Lo AW（2010）通过机器学习算法建立的消费者信贷风险模型。J银行财务34:2767-2787·doi:10.1016/j.jbankfin.2010.06.001 [31] Khashman A（2010）《信贷风险评估的神经网络：不同神经模型和学习方案的研究》。专家系统应用37:6233-6239·doi:10.1016/j.eswa.2010.02.101 [32] Kim HS，Sohn SY（2010）基于技术信用的中小企业违约预测支持向量机。欧洲运营研究杂志201:838-846·Zbl 1173.90458号 ·doi:10.1016/j.ejor.2009.03.036 [33] 库恩，HW；塔克，AW，非线性规划，481-492（1951），伯克利·Zbl 0044.05903号 [34] Lebart L，Morineau A，Warwick K（1984）多元描述性统计分析。纽约威利·Zbl 0658.62069号 [35] Liberati C，Howe A，Bozdogan H（2009）使用信息复杂性的核判别分析（KDA）中的数据自适应同步参数和核选择。J图案识别研究4（1）：119-132·doi:10.13176/11.117 [36] Malhotra R，Malhostra DK（2003）使用神经网络评估消费者贷款。欧米茄31:83-96·doi:10.1016/S0305-0483（03）00016-1 [37] Mavri M、Angelis V、Loannou G（2008）基于客户概况和时间范围的两阶段动态信用评分模型。J金融服务市场13（1）：17-27·doi:10.1057/fsm.2008.2 [38] Mays E（2004）风险管理者信用评分。贷款人手册，汤姆森学习 [39] Mercer J（1909）正负型函数及其与积分方程理论的联系。Philos Trans R Soc Lond公司 [40] Mika S，Rätsch G，Weston J，Schölkopf B，Müller KR（1999）Fisher核判别分析。在：信号处理的神经网络，第九卷。1999年IEEE信号处理学会研讨会论文集，第41-48页 [41] Müller KR，Mika S，Rätsch G，Tsuda K，Schölkopf B（2001）基于内核的学习算法简介。IEEE Trans神经网络2:181-201·数字对象标识代码：10.1109/72.914517 [42] Ong C，Huang J，Tzeng GH（2005）使用遗传编程构建信用评分模型。专家系统应用29（1）：41-47·doi:10.1016/j.eswa.2005.01.003 [43] Peel M，Peel D（1989）预测企业失败的多逻辑方法——英国企业部门的一些证据。欧米茄国际管理科学杂志16（4）：309-318·doi:10.1016/0305-0483（88）90067-9 [44] Ping Y，Yongheng L（2011）基于邻域粗糙集和SVM的混合信用评分分类器。专家系统应用38:11300-11304 [45] Press S（1975）正态协方差矩阵的估计。圣莫尼卡兰德公司，圣莫尼卡 [46] Saporta G（1977）《Une méthode et un program d analysis discrimente sur variables qualitatives》。收件人：Diday E（ed）Analyse des Donnees et Informatique，INRIA，第201-210页 [47] Schölkopf B，Burges C，Smola AJ（1999a）《内核方法的进展》。麻省理工学院出版社，坎布里奇·Zbl 0935.68084号 [48] Schölkopf B、Mika S、Burges C、Knirsch P、Müller KR、Rätsch G、Smola AJ（1999b）基于内核方法中的输入空间与特征空间。IEEE Trans神经网络5:1000-1017·数字对象标识代码：10.1109/72.788641 [49] Shi，Y。；怀斯，M。；Luo，M。；Lin，Y。；Koksalan，M.（编辑）；Zionts，S.（编辑），《信用卡组合管理中的数据挖掘：多标准决策方法》，427-436（2001），海德堡·Zbl 1027.90523号 ·doi:10.1007/978-3-642-56680-6_39 [50] Shi Y，Peng Y，Xu W，Tang X（2002）基于多准则线性规划的数据挖掘：在信用卡投资组合管理中的应用。国际科技信息杂志Mak 1:131-151·doi:10.1142/S021962202000038 [51] Smalz R，Conrad M（1994）将进化与信用分配相结合：一种新的神经网络学习算法。神经网络7（2）：341-351·doi:10.1016/0893-6080（94）90028-0 [52] Soares C，Braddil PB（2006）使用元学习和基于核矩阵的元特征选择SVM参数。摘自：《2006年ACM应用计算研讨会论文集》，ACM，纽约，SAC’06，第564-568页。doi:10.1145/1141277.1141408 [53] Suykens J，Vandewalle J（1999）最小二乘支持向量机分类器。神经过程Lett 9（3）：293-300·Zbl 0958.93042号 ·doi:10.1023/A:1018628609742 [54] Suykens JAK，Van Gestel T，De Brabanter J，De Moor B，Vandwalle J（2002）最小二乘支持向量机。新加坡世界科学·Zbl 1017.93004号 ·doi:10.1142/5089 [55] 托马斯，C。；Boardman，J。；希尔，D。；Hajnal，J。；爱德华兹。；卢瑟福，M。；Gillies，D。；Rueckert，D.，使用基于最大不确定性LDA的方法分类和分析MR脑图像，291-300（2004），柏林·文件编号：10.1007/978-3-540-30135-6_36 [56] Van Gestel T、Baesens B、Suykens JAK、Van den Poel D、Baestaens DE、Willekens M（2006）《基于贝叶斯核的财务困境检测分类》。欧洲运营研究杂志172:979-1003·Zbl 1111.90330号 ·doi:10.1016/j.ejor.2004.11.009 [57] Vapnik V（1995）统计学习理论的本质。纽约州施普林格·Zbl 0833.62008号 ·数字对象标识代码：10.1007/978-1-4757-2440-0 [58] Vapnik V（1998）统计学习理论。纽约威利·Zbl 0935.62007号 [59] Varetto F（1998）遗传算法在破产风险分析中的应用。J银行财务22:1421-1439·doi:10.1016/S0378-4266（98）00059-4 [60] Wiginton JC（1980）关于消费者信贷行为的logit和判别模型比较的注释。财务定量分析杂志15:757-770·doi:10.2307/2330408 [61] 姚P，吴C，杨M（2009）基于模糊神经网络的商业银行信用风险评估模型。摘自：第六届神经网络国际研讨会论文集 [62] Yap BW、Ong SH、Husain N（2011）使用数据挖掘通过信用评分模型改进信用评估。专家系统应用38:13274-13283 [63] Yoon JS，Kwon YS（2010）小企业破产预测的实用方法：用不可用的财务数据代替信用卡销售信息。专家系统应用37:3624-3629·doi:10.1016/j.eswa.2009年10月29日 [64] Zhang K，Lan L，Wang Z，Moerchen F（2012）在有限资源上扩展核支持向量机：低阶线性化方法。J Mach学习研究程序跟踪22:1425-1434 [65] 周X，石伟，田Y（2011）遗传算法在破产风险分析中的应用。专家系统应用38:4272-4279·doi:10.1016/j.eswa.2010.09.095 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。