刘潇雅，王应明

福州大学 经济与管理学院，福州 350116

1 引言

随着国民生活水平的提高，人们的消费心理与消费观念发生翻天覆地的变化，包括个人消费贷款、个人住房贷款、信用卡等在内的个人信贷业务逐渐成为了商业银行的一个重要的利润增长点[1]。信用评估是指根据客户的若干原始资料，通过综合考察影响客户及其家庭的内外客观、微观环境，使用严谨的分析方法，将其分为正常类和违约类，或给出一个违约概率或信用等级[2]。

除了早期通过分析员阅读个人资料决定信用的好坏这种主观性非常强的方法之外[3]，传统用于信用评估的主要是统计学方法比如判别分析[4]、logistic回归[5]等，这些方法虽然简单，但在处理非线性问题时效果较差。经过几十年的发展，大量人工智能方法被用于信用评估领域，例如神经网络[6]、k-近邻判别分析[7]等，但这些方法多数基于传统统计学理论建模，依赖海量数据并且容易出现过学习现象[8]。支持向量机（Supoort Vector Machine，SVM）在解决小样本、非线性识别问题中表现出许多独特优势，且基于统计学习理论，具有很强的泛化推广能力，近年来成为信用评估的重要方法。肖文兵等[9]将支持向量机用于信用评估领域并在交叉验证中寻找核函数最优参数，提高分类准确率。肖智等[10]利用支持向量机建立了大学生助学贷款个人信用评价分析模型，通过实证体现了支持向量机方法在分类问题中的优越性。Abedin等[11]利用支持向量机工具对个人信用评估结果预测，并与神经网络模型做了比较，实验验证了SVM泛化能力强、鲁棒性好的优点。……