注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于支持向量机理论的中小企业信用风险预测研究

  2. 基于支持向量机理论的中小企业信用风险预测，对预测非常有帮助

  3. 所属分类：专业指导

    • 发布日期：2010-11-16
    • 文件大小：424960
    • 提供者：gdhd888

  1. 信用风险评分卡研究:基于SAS的开发和实施

  2. 本书是信用评分卡的开发描述，包括评分卡开发的理论、方法、流程以及应用SAS系统的实践操作和编程。本书的主要内容包括：数据获取和数据准备、探索性数据分析、预测性的度量和变量选择、最优分群和分段、初级分类和证据权重转换、逻辑回归模型的开发、模型判断和评估方法、评分卡建立和刻度确定、评分卡代码的自动生成、评分卡监测和报告、拒绝演绎、SAS实施和评分卡开发中超过50个宏程序。

  3. 所属分类：金融

    • 发布日期：2018-07-01
    • 文件大小：80740352
    • 提供者：franklili

  1. 3分钟搞明白信用评分卡模型

  2. 信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用，其原理是将模型变量WOE编码 方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型。

  3. 所属分类：金融

    • 发布日期：2018-07-20
    • 文件大小：398336
    • 提供者：angusfeng

  1. 信用评分资料

  2. 针对不同的应用，信用评分分为 风险评分、收入评分、响应度评分、客户流失（忠诚度）评分、催收评分、信用卡发卡审核评分、房屋按揭贷款发放审核评分、信用额度核定评分等。 综合信用风险评分——鹏元 800 2005年4月底，鹏元征信有限公司自主研发的个人综合信用风险评分——“鹏元800”，正式对授信机构及个人提供信用评分查询服务。 “鹏元 800”通过建立数学模型对个人信用信息进行统计分析，以预测未来一段时间内发生违约风险的可能性，并用一个分数综合反应个人信用状况。 该信用评分体系共设6个等级，从32

  3. 所属分类：专业指导

    • 发布日期：2018-07-13
    • 文件大小：15728640
    • 提供者：yamaida

  1. 评分卡开发介绍

  2. 针对不同的应用，信用评分分为 风险评分、收入评分、响应度评分、客户流失（忠诚度）评分、催收评分、信用卡发卡审核评分、房屋按揭贷款发放审核评分、信用额度核定评分等。 综合信用风险评分——鹏元 800 2005年4月底，鹏元征信有限公司自主研发的个人综合信用风险评分——“鹏元800”，正式对授信机构及个人提供信用评分查询服务。 “鹏元 800”通过建立数学模型对个人信用信息进行统计分析，以预测未来一段时间内发生违约风险的可能性，并用一个分数综合反应个人信用状况。 该信用评分体系共设6个等级，从32

  3. 所属分类：金融

    • 发布日期：2018-07-13
    • 文件大小：1048576
    • 提供者：yamaida

  1. 基于Lasso_logistic模型的个人信用风险预警方法_方匡南（共12页）

  2. 将Ｌａｓｓｏ－ｌｏｇｉｓｔｉｃ模型引入个人信用评估，通过模拟实验发现，逐步回归法倾向于保留一些不重要的变量，而且选出正确模型的概率较低，而Ｌａｓｓｏ不仅计算更加快捷，可以同时进行变量选择和参数估计，而且能更准确地筛选出重要的 变量。以信用卡消费信贷违约数据为例对我国个人信用评估进行实证分析发现，相对于全变量Ｌｏｇｉｓｔｉｃ模型和逐步回归Ｌｏｇｉｓｔｉｃ模型，Ｌａｓｓｏ－ｌｏｇｉｓｔｉｃ模型更能抓住影响消费信用风险的关键因素，而且预测准确率也更高。

  3. 所属分类：其它

    • 发布日期：2018-09-13
    • 文件大小：626688
    • 提供者：maomao1688

  1. 基于BP神经网络和SVM的个人信用评估比较研究_储蕾

  2. 信用风险的评估是银行风险管理的核心内容，世界银行对全球银行业危机的研究表明，导致银行破产的最常见原因就是信用风险。个人倍用评估是商业银行个人金融业务开展及信贷审批的关键环节，是个人信用风险管理的核心。对个人信用进行科学量化，建立起完善的个人信用评估体系及&动化的信用评估系统，足商业银行提高经营效益的迫切需要。通过对个人进行科学的信用评估，可以正确识别个人信用风险，促进信用资源的优化配置，BP神经网络方法是一种具有自组织、自适应、自学习特点的非参数方法，它对样本数据的分布要求不严格，不仅具有非线

  3. 所属分类：算法与数据结构

    • 发布日期：2019-04-22
    • 文件大小：1048576
    • 提供者：csdn_5566

  1. 基于大数据的金融风险预测与防范对策_贺小曼.pdf

  2. 基于对大数据的金融风险预测与防范对策的探讨，首先，阐述大数据下的金融风险预测，其中包括信用风险与市场风险。然后，在如今大数据背景下，为保证金融行业能够在最大程度上避免金融风险问题，给出树立大数据理念、构建金融风险数据共享机制、培养专业化人才等有效措施。最后，金融行业需要不断加强自身风险预测能力，做好相应防范工作，增强自身在社会市场中的竞争地位。

  3. 所属分类：互联网

    • 发布日期：2020-05-11
    • 文件大小：1048576
    • 提供者：kfjztb

  1. 企业信用风险评估研究--基于优化的随机森林方法

  2. 企业信用风险评估研究--基于优化的随机森林方法，汪政元，伍业锋，信用风险是导致商业银行危机的重要原因之一，如何利用数据挖掘方法对企业信用风险做出准确预测评估具有重大意义。通过对输入数据

  3. 所属分类：其它

    • 发布日期：2020-01-15
    • 文件大小：1006592
    • 提供者：weixin_38678394

  1. 大数据背景下基于广义DEA模型和​​R型聚类分析的P2P网络贷款风险评估研究

  2. 互联网金融风险不仅与互联网金融体系本身的运行和发展直接相关，而且由于其快速的发展速度和发展规模，对国家的宏观经济运行也具有非常重要的影响。 截至2017年2月，共有2335个网络贷款平台，其中存在55个问题平台。 该事件，类似于平台负责人潜逃资金，由于监管不严，信用风险等经常发生。 因此，科学地评估互联网的财务风险非常重要。 本文以排名前100位的P2P网络贷款平台风险控制为研究对象，获得了网络贷款家庭的等级认证。 评价指标体系由三个维度构成，分别为：流动性风险，市场风险和信用风险。 利用R型聚

  3. 所属分类：其它

    • 发布日期：2020-06-04
    • 文件大小：1048576
    • 提供者：weixin_38629042

  1. 基于最小二乘支持向量机方法的企业财务预测

  2. 本文基于最小二乘支持向量机，分析了上市公司国内外财务预测的现状。 根据我国的资本市场，有44家上市公司在建模数据样本，有10家上市公司在预测数据样本，建立上市公司财务预测模型获得了满意的财务预测结果。 实证研究结果表明，我们可以使用完全最小二乘支持向量机方法建立财务预测模型，区分上市公司的财务信用风险。 与传统的统计方法和神经网络方法相比，基于最小二乘支持向量机的财务预测方法是理想的上市公司财务预测方法。 它用于具有高扩展价值的广泛领域。

  3. 所属分类：其它

    • 发布日期：2020-06-03
    • 文件大小：322560
    • 提供者：weixin_38629042

  1. Credit_Risk_Analysis:监督机器学习和信用风险-源码

  2. Credit_Risk_Analysis 分析概述 使用对等借贷服务公司LendingClub的信用卡信用数据集，使用机器学习方法进行分析以预测信用卡风险。 使用以下技术来训练和评估模型： 不平衡学习库和scikit学习库，以便使用重采样来构建和评估模型。 使用RandomOverSampler和SMOTE算法对数据进行过采样。 使用ClusterCentroids算法对数据进行欠采样。 使用SMOTEENN算法的过采样和欠采样的组合方法。 比较两个机器学习模型，BalancedRan

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：57344
    • 提供者：weixin_42114046

  1. CreditRiskDemo:这是利用机器学习预测信用风险的演示-源码

  2. 信用风险演示 这是利用机器学习预测信用风险的演示

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：16384
    • 提供者：weixin_42169674

  1. machine-learning-about-online-debt-:通过机器学习对在线债务的信用风险进行分析-源码

  2. 基于机器学习算法的网络信用风险评估 通过机器学习在线债务的信用风险分析 项目简介 项目初步利用机器学习算法，试图通过对网贷平台现有数据的分析，对借贷交易进行预测，判断引用客户违约约还款的可能性，为相关网络平台提供方案，从而减少平台与客户的潜在损失，维护网络贷款交易的安全性。 首先使用Python的爬虫从P2P网贷平台上获取了1726条借贷数据，其中违约数据571条，未违约数据1155条。接着使用了决策树，支持向量机，线性判别分析来处理网贷违约与否的二分类问题，和创新性的对线性判别分析法进行了改进

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：2097152
    • 提供者：weixin_42134338

  1. Capstone-Project-3：客户信用风险建模-源码

  2. 机器学习工程师纳米 消费者信用风险的预测 有用的链接 资料资讯 实例或行数：-1,50,000 功能或自变量数量：-10 目标或因变量的数量：-1 目标标签和描述 严重的Dlqin2yrs-由于过失或更严重而经历90天的人。 功能标签和说明 RevolvingUtilizationOfUnsecuredLines-信用卡和个人信贷额度的总余额（不动产除外），没有分期付款的债务，例如汽车贷款，除以信贷额度之和。 年龄-借款人的年龄（以年为单位）。 NumberOfTime30-59Days

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：6291456
    • 提供者：weixin_42160424

  1. Credit_Risk_Analysis：UT McCombs数据新手训练营：模块17：受监督的机器学习和信用风险-源码

  2. Credit_Risk_Analysis UT McCombs数据新手训练营：模块17：受监督的机器学习和信用风险 贷款预测风险分析概述： 信用风险是固有的不平衡分类问题，因为优质贷款容易超过风险贷款。 使用了不同的技术来训练和评估具有不平衡类的模型。 各种库和算法用于通过重采样来构建和评估模型，包括： 学习失衡 scikit学习 RandomOverSampler SMOTE算法 ClusterCentroids算法 SMOTEENN算法 BalancedRandomForestCla

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：22020096
    • 提供者：weixin_42164534

  1. WEKA贷款风险预测-源码

  2. WEKA贷款风险预测 目的 根据属性，将某人分为好或坏信用风险。 使用的算法 J48随机森林 使用的软件 Weka应用

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：28672
    • 提供者：weixin_42110070

  1. 机器学习：该项目使用来自Lending Club的免费数据来构建和评估几种机器学习模型，以预测信用风险。 我们采用了不同的技术来训练和评估班级不平衡的模型。 使用不平衡学习和Scikit学习库-源码

  2. 机器学习 该练习包括一方面使用不同的重采样技术来分析信用风险，另一方面使用集成技术来分析信用风险。 在第一部分中，我们将使用过采样，欠采样以及组合的（过高和不足）采样技术来查看哪种模型在预测信用风险方面做得更好。 在第二部分中，我们将使用不同的集成技术进行相同的操作，以查看哪种模型在预测信用风险方面也做得更好。 分析记录位于ipynb文件中。 重采样技术： 哪种型号的平衡准确度得分最高？ 在本练习中，我们使用了4个模型：朴素的随机过采样，SMOTE过采样，欠采样和组合（上下采样）采样

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：16384
    • 提供者：weixin_42176827

  1. 贷款违约预测：一般而言，每当一个公司注册向银行（或任何贷款发行人）申请贷款时，其信用记录都会经过严格的检查，以确保他们是否有能力还清贷款（在该行业中）称为信誉度）。 发行人具有一套适当的模型和规则，这些模型和规则将有关其当前财务状况，以前的

  2. 贷款违约预测 通常，每当个人/公司向银行（或任何贷款发行人）申请贷款时，其信用记录都会经过严格的检查，以确保他们是否有能力还清贷款（在该行业中称为作为信誉）。 发行人具有一套适当的模型和规则，这些模型和规则将有关其当前财务状况，以前的信用记录和其他一些变量的信息作为输入，并输出度量标准，该度量标准可以度量发行人可能承担的风险在发放贷款时。 该度量通常采用概率形式，并且是该人将来会违约其贷款的风险（称为违约概率）。 基于发行人愿意承担的风险（加上一些其他因素），他们决定该分数的临界值，并用它来

  3. 所属分类：其它

    • 发布日期：2021-02-07
    • 文件大小：3145728
    • 提供者：weixin_42117032

  1. 电费回收风险预测的大数据方法应用

  2. 基于电力客户的历史数据，采用客户的基本属性、用电行为、缴费行为、客户信用、行业前景信息等多个维度确定模型所需指标体系。通过指标的相关系数矩阵及信息值（information value，IV）筛选出最终进入模型的指标变量，同时采用最优分组的方法对变量进行分组，并进行证据权重转化（weight of evidence， WOE）。基于处理后的数据，运用逻辑回归算法构建用电客户电费风险预测模型，并依据得到的模型结果量化输出变量标准评分卡表，从而将客户划分为高风险、中风险和低风险用户，为不同的用户采取

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：1039360
    • 提供者：weixin_38651929
« 12 3 »