基于支持向量机的信用卡信用风险管理模型与技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 第1章 绪论 | 第15-34页 |
| ·研究背景和意义 | 第15-23页 |
| ·研究背景 | 第15-18页 |
| ·研究意义 | 第18-23页 |
| ·信用卡概念的界定 | 第23-27页 |
| ·信用卡的概念与分类 | 第23-25页 |
| ·信用卡的功能与特征 | 第25-27页 |
| ·国内外研究综述 | 第27-30页 |
| ·信用卡信用风险的相关理论综述 | 第27-28页 |
| ·信用卡信用风险管理综述 | 第28-30页 |
| ·研究思路与研究内容 | 第30-34页 |
| ·研究思路 | 第30-32页 |
| ·研究内容 | 第32-34页 |
| 第2章 信用卡信用风险分析 | 第34-48页 |
| ·信用卡的信用风险 | 第34-38页 |
| ·风险与风险管理 | 第34-35页 |
| ·新巴塞尔协议框架下的信用卡风险 | 第35-38页 |
| ·新巴塞尔协议框架下的信用卡信用风险 | 第38页 |
| ·信用卡信用风险的理论分析 | 第38-41页 |
| ·信用卡信用风险的产生 | 第38-40页 |
| ·信用卡信用风险的影响 | 第40-41页 |
| ·信用卡的信用风险识别、度量与控制 | 第41-48页 |
| ·信用卡信用风险识别与计量 | 第41-44页 |
| ·信用卡信用评分的方法和技术 | 第44-45页 |
| ·信用卡客户审批与维护的信用风险 | 第45-48页 |
| 第3章 基于支持向量机的个人信用评分 | 第48-70页 |
| ·建立个人信用评分模型的样本选择 | 第48-50页 |
| ·样本选择 | 第48-49页 |
| ·好客户和坏客户的定义 | 第49页 |
| ·特征变量选择 | 第49-50页 |
| ·信用评分的主要方法 | 第50-60页 |
| ·判别分析 | 第50-51页 |
| ·回归分析 | 第51-52页 |
| ·数学规划方法 | 第52-53页 |
| ·神经网络方法 | 第53-54页 |
| ·最近邻方法 | 第54-55页 |
| ·贝叶斯方法 | 第55-56页 |
| ·粗糙集方法 | 第56-58页 |
| ·决策树方法 | 第58-60页 |
| ·基于不同核函数的支持向量机信用评级研究 | 第60-64页 |
| ·基于支持向量机的信用评级模型 | 第61-62页 |
| ·数值实验 | 第62-64页 |
| ·混合支持向量机信用评分模型 | 第64-69页 |
| ·分类回归树 | 第64-65页 |
| ·多元自适应样条回归 | 第65-66页 |
| ·基于支持向量机的混合评分策略 | 第66-67页 |
| ·混合支持向量机评分模型数值试验 | 第67-69页 |
| ·本章 小结 | 第69-70页 |
| 第4章 持向量机的拒绝推断模型研究 | 第70-82页 |
| ·拒绝推断问题的数学描述 | 第70-71页 |
| ·样本中被拒绝客户的处理 | 第71-74页 |
| ·直接定义为坏客户 | 第71-72页 |
| ·外推法 | 第72页 |
| ·增补法 | 第72-73页 |
| ·混合分布 | 第73-74页 |
| ·三向分组法 | 第74页 |
| ·拒绝推断最新进展 | 第74页 |
| ·基于k-均值聚类和支持向量机的拒绝推断模型 | 第74-80页 |
| ·k-均值聚类 | 第75页 |
| ·模型的实现框架 | 第75-77页 |
| ·实证分析 | 第77-80页 |
| ·本章 小结 | 第80-82页 |
| 第5章 基于支持向量机的客户行为评分 | 第82-103页 |
| ·行为评分是信用评分的必然发展趋势 | 第82-84页 |
| ·个人信用动态变化 | 第82-83页 |
| ·宏观经济周期对个人信用的影响 | 第83页 |
| ·银行获利的需要 | 第83-84页 |
| ·行为评分模型的应用领域 | 第84页 |
| ·行为评分模型 | 第84-90页 |
| ·早期的行为评分模型 | 第85-86页 |
| ·九十年代动态信用评分模型的发展 | 第86-88页 |
| ·行为评分模型的最新发展 | 第88-90页 |
| ·客户行为评分的混合SOM-MSVM 方法 | 第90-96页 |
| ·自组织神经网络 | 第90-92页 |
| ·多类支持向量分类机 | 第92-95页 |
| ·SOM-MSVM 行为评分模型框架 | 第95-96页 |
| ·数值实验 | 第96-101页 |
| ·客户消费行为数据 | 第96-99页 |
| ·SOM 聚类 | 第99-101页 |
| ·MSVM 分类 | 第101页 |
| ·本章 小结 | 第101-103页 |
| 第6章 基于支持向量机的信用欺诈检测研究 | 第103-116页 |
| ·信用欺诈与预防 | 第103-107页 |
| ·信用卡欺诈方式 | 第104-105页 |
| ·信用卡欺诈的预防 | 第105-107页 |
| ·信用欺诈检测模型 | 第107-110页 |
| ·基于规则的欺诈检测模型 | 第107-108页 |
| ·有监督的欺诈检测模型 | 第108页 |
| ·无监督的欺诈检测模型 | 第108-110页 |
| ·基于元学习的信用欺诈检测模型 | 第110页 |
| ·一类支持向量机信用欺诈检测模型 | 第110-112页 |
| ·一类支持向量机 | 第110-111页 |
| ·OCSVM 信用欺诈检测模型的选择 | 第111-112页 |
| ·数值试验 | 第112-115页 |
| ·数据来源与预处理 | 第112-114页 |
| ·实验结果与讨论 | 第114-115页 |
| ·本章 小结 | 第115-116页 |
| 结论 | 第116-119页 |
| 一、研究内容 | 第116-117页 |
| 二、研究的不足 | 第117-119页 |
| 参考文献 | 第119-128页 |
| 致谢 | 第128-129页 |
| 附录A 攻读博士学位期间发表的论文及科研成果 | 第129-131页 |
| 附录B 统计学习理论与支持向量机 | 第131-147页 |
