模糊ahp个人信用评分模型设计论文(编辑修改稿)

模糊ahp个人信用评分模型设计论文(编辑修改稿)内容摘要：

入使用。 通过输人想要评价的申请人的相关变量的信息后计算该申请人的违约概率，通过结果即可预测该申请人的信用状况。 线性规划法是解决多变量最优决策的方法，首现建立一个线性目标函数，并将相关变量形成约束条件，最终解出目标函数各参数的具体值即可解决目标最优化问题。 使用分类树法进行个人信用评分，就是把样本的各个属性一层一层的分类，如下图所示。 对每一个特征参数使用两个分类选项进行分类，使具有两类不同性质的样本尽可能的贴近违约及不违约的可能性。 不断的重复这个过程后即可根据各个特征参数对样本进行分类。 整体样本 男 女 本科以下 本科及以上 30岁及以上 30 岁以下 5. 层次分析法 层次分析法 (Analytic Hierarchy Process,简称 AHP)是美国运筹学家、匹兹堡大学 T. L. Saaty 教授在 20 世纪 70 年代初期提出的， AHP 是对定性问题进行定量分析的一种简便、灵活而又实用的多准则决策方法。 它的特点是把复杂问题中的各种因素通过划分为相互联系的有序层次，使之条理化，根据对一定客观现实的主观判断结构（主要是两两比较）把专家意见和分析者的客观判断结果直接而有效地结合起来，将一层次元素两两比较的重要性进行定量描述。 而后，利用数学方法计算反映每一层次元素的相对重要性次序的权值，通过所有层次之间的总排序计算所有元素的相对权重 并进行排序。 该方法自 1982 年被介绍到我国以来，以其定性分析与定量分析相结合地处理各种决策因素的特点，以及其系统灵活简洁的优点，迅速地在我国社会经济各个领域内，如能源系统分析、城市规划、经济管理、科研评价等，得到了广泛的重视和应用。 神经网络算法是用大量简单节点相连接，通过对人脑运作模式的模仿进行数据处理的一种算法。 其中 BP 神经网络算法在信用评估领域的应用较为广泛，故本文只简单介绍 BP 神经网络算法。 BP神经网络一般 含有 输入层（ input）、隐层 (hidden layer)和输出层 (output layer)。 申请人的个人信用资料经过输入层输入系统后传输到隐含层。 经过计算后再传输到输出层。 如果输出层的输出结果与期望结果之差大于误差上限，则误差会传回隐层，然后输出到输入层，误差被分配到所有单元，然后调整各单元的权值，直到误差减小到最小。 遗传算法（ Geic Algorithm）是模拟达尔文生物进化论的自然选择和遗 传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法对最优解的搜索过程中不需要梯度信息或其他辅助知识，它只受影响搜索方向的目标函数 和相应的适应度函数制约。 这种方法在解决复杂问题时是一种一般化的方法，故而在个人信用评分领域被广泛利用。 （四） 建模方法应用效果分析 个人信用评分是根据现有的样本建立模型，用此模型判断新样本的信用水平，因此评分模型的实用性，预测精度以及稳定性都很重要。 在不同的实际运用条件下，能够得到的数据类型，分布以及精度差别很大。 因此不存在一种评分模型可以适用于所有情况，如下表所示，如果现实条件不满足使用模型的先决条件，那建立起的模型就只是没有科学依据的空谈。 研究方法 运用条件 判别分析法 收集大量历史数据 ，样本满足类间协方差矩阵相等或正态分布条件 Logistic 回归 因变量为一分变量 ，样本点不存在完全分离 数学规划法 样本数据过多 ，约束条件过多时 ，模型的建立十分复杂 分类树法 分类选项设定的准确度对预测精度有较大影响 BP 神经网络 无坚实的理论基础 ，建立模型需要不断调试 、改进 、更新 ，成本过高 遗传算法 选取优良样本进行繁衍 ，否则可能引起持续的衰败 表 建模方法比较 不同预测方法的预测精度存在较大的差别，为了找出精度较高的预测方法，国外很多学者进行了测试，但是介于实际应用情况的巨大差别，每个专家对各方法的精度评价并不相同，目前尚没有统一的结论，现截取一部分专家的结论制成下表。 Srinivasan Boyle（ 1992） Henley Yobas（ 1997） Desai（ 1997） （ 1987） （ 1995） 线性规划 1 1 0 0 1 线性回归 0 0 0 4 1 判别分析 0 0 0 0 1 Logistic 回归 2 0 1 0 1 分类树法 3 1 1 2 2 神经网络 0 0 0 1 2 遗传算法 0 0 0 3 2 数值 14 表示该模型的预测精度，数值越大精度越高， 0表示该专家的研究结果中并没有比较此方法 表 不同建模方法预测精度比较 （五） 模糊 AHP法极其可行性分析 1. AHP 法与模糊 AHP 法 AHP 法的基本思想是将复杂问题层次化，它的特点是定性与定量的分析相结合。 通过两两比较的方式确定层次中诸因素的相对重要性，然后综合人的判断以确定决策诸因素相对重要性的总排序。 由于决策者的能力所限，很难对 n个目标的重要性做出正确的判断，但仅仅对两个元素进行优劣比较，是完全可能的。 AHP 法的计算步骤如下： ，构建递阶层次模型。 递阶层次结构包括目标层、准则层、指标层，甚至子指标层等。 赋值方法如下表 标度 aij 定义 1 i 因素与 j 因素相同重要 3 i 因素比 j 因素略重要 5 i 因素比 j 因素较重要 7 i 因素比 j 因素非常重要 9 i 因素比 j 因素绝对重要 2， 4， 6， 8 为以上两判断的中间状态 倒数 j 因素与 i 因素相比的重要程度 表 AHP 判断矩阵赋值方法 3．层次单排序。 计算各指标相对与之关联的上层指标的排序权值。 4．一致性检验。 通过计算一致性指标 CI，一致性比例 CR 判断一致性 5．层次总排序 层次分析法结合了定性指标和定量指标，具有较强的实用型与科学性，但是它依然存在一些问题。 比如构造一致性判断矩阵的计算过程复杂，如果一致性检验不通过就需要再次调整判断矩阵，这个过程可能要重复多次直到满足一致性要求。 因此，本文引入模糊理论中模糊一致矩阵的概念，使用模糊一致矩阵的性质检验判断矩阵的一致性。 若存在矩阵 C=（ cij） n*n满足 0≤ cij≤ 1（ i=1， 2„„ n； j=1， 2„„ n），则 C是模糊矩阵 若模糊矩阵 C=（ cij） n*n满足 cij+cji=1（ i=1， 2„„ n； j=1， 2„„ n），则该矩阵为模糊互补矩阵 若模糊互补矩阵 C=（ cij） n*n满足任意 i， j， k 存在 cij=cikcij+，则该矩阵为模糊一致矩阵 AHP 法的计算方法 ，构建递阶层次模型。 递阶层次结构包括目标层、准则层、指标层，甚至子指标层等。 2. 别构造各单层的模糊判断矩阵。 赋值方法如下表 标度 aij 定义 i 因素与 j 因素相同重要 i 因素比 j 因素略重要 i 因素比 j 因素较重要 i 因素比 j 因素非常重要 i 因素比 j 因素绝对重要 ， ， ， cij=1cji 表 模糊 AHP 判断矩阵赋值方法。 如果有部分模糊判断矩阵不满足一致性检验 ，那么根据模糊一致矩阵的性质 ，对判断矩阵进行一致性检验和调整。 具体方法如下 （ 1）确定判断准确性较高且重要性分值精确的元素 i，得出的重要性分值分别为。