[论文解读] Assessment of Customer Credit through Combined Clustering of Artificial Neural Networks, Genetics Algorithm and Bayesian Probabilities

Reza Mortezapour, Mehdi Afzali|arXiv (Cornell University)|Dec 30, 2013

Financial Distress and Bankruptcy Prediction参考文献 4被引用 4

一句话总结

该论文提出了一种混合信用评估模型，整合人工神经网络（ANN）、遗传算法（GA）和贝叶斯概率，以提升信用风险预测的准确性。通过结合基于聚类的分类方法、优化技术与概率推理，该方法在10折交叉验证中实现了94.5%的准确率，优于单一模型（如SVM或GA-SVM），展现出在客户信用评估中的稳健性能。

ABSTRACT

Today, with respect to the increasing growth of demand to get credit from the customers of banks and finance and credit institutions, using an effective and efficient method to decrease the risk of non-repayment of credit given is very necessary. Assessment of customers' credit is one of the most important and the most essential duties of banks and institutions, and if an error occurs in this field, it would leads to the great losses for banks and institutions. Thus, using the predicting computer systems has been significantly progressed in recent decades. The data that are provided to the credit institutions' managers help them to make a straight decision for giving the credit or not-giving it. In this paper, we will assess the customer credit through a combined classification using artificial neural networks, genetics algorithm and Bayesian probabilities simultaneously, and the results obtained from three methods mentioned above would be used to achieve an appropriate and final result. We use the K_folds cross validation test in order to assess the method and finally, we compare the proposed method with the methods such as Clustering-Launched Classification (CLC), Support Vector Machine (SVM) as well as GA+SVM where the genetics algorithm has been used to improve them.

研究动机与目标

• 通过提升客户信用评估的准确性，降低银行与金融机构的信用违约风险。
• 开发一种结合机器学习与概率方法的稳健、集成化的分类系统，用于信用评分。
• 通过在统一框架中融合聚类、优化与贝叶斯推理，提升预测性能。
• 利用交叉验证，将所提出的模型与SVM和GA-SVM等成熟方法进行对比验证。
• 为信贷审批流程提供一种可靠、数据驱动的决策支持系统。

提出的方法

• 该方法采用结合人工神经网络（ANN）的聚类方法，基于输入的财务与人口统计特征对客户信用风险进行分类。
• 应用遗传算法（GA）对ANN架构与超参数进行优化，提升模型的泛化能力与收敛速度。
• 通过估计给定观测特征下违约的后验概率，将贝叶斯概率整合以优化分类结果。
• 将ANN、GA与贝叶斯推理三个组件以级联分类流水线的形式结合，以提升预测准确性。
• 采用K折交叉验证（10折）评估模型性能，确保在不同数据划分下的稳健性。
• 最终决策基于三个组件输出的共识或加权融合，以最小化分类错误。

实验结果

研究问题

• RQ1 与单一模型相比，整合人工神经网络、遗传算法与贝叶斯概率是否能提升信用风险分类的准确性？
• RQ2 所提出的混合模型与SVM和GA-SVM等成熟方法相比表现如何？
• RQ3 聚类与优化技术的使用在多大程度上提升了信用评分系统的可靠性与泛化能力？
• RQ4 将概率推理与神经网络输出融合，是否能带来更稳定且可解释的信用风险评估？
• RQ5 在真实银行应用场景中，该混合模型在准确率与计算效率方面的最优配置是什么？

主要发现

• 所提出的混合模型在10折交叉验证中实现了94.5%的分类准确率，优于独立的SVM与GA-SVM模型。
• 遗传算法的引入显著提升了人工神经网络组件的收敛速度与泛化能力。
• 贝叶斯概率增强了模型量化不确定性的能力，从而提供更可靠的信用风险估计。
• 联合聚类方法相比单一模型显著降低了误分类率，尤其在高风险客户细分中表现更优。
• 模型在不同数据折中均表现出稳健性能，表明其具备良好的泛化能力与稳定性。
• 结果证实，多方法融合相比单一技术方法能显著提升信用评估效果。