经济学与经济管理基于神经网络及Logistic回归的混合信用卡评分模型马海英（华东理工大学管理科学与工程系，上海200237）[摘要]如何更好地对信用卡申请人进行识别和判断,提高银行预防和抵抗信用卡风险的能力,是所有银行迫切需要解决的问题。为了做出更高效、智能的判断,为决策者提供有效的决策支持,从而提高银行信用卡审批过程中资信评估的正确率及效率。本文提出结合神经网络及Logistic回归技术的混合模型,结合神经网络预测精度高及Logistic回归稳定性高的特性,对信用卡进行信用评分。实证分析的结果表明,混合模型的预测精度确实比单独使用神经网络模型和Logistic回归的预测精度高,证明了该方法确实是有效可行的。[关键词]神经网络;Logistic回归;信用卡;信用评分[文章编号]1008-7672（2008）02-0049-04[中图分类号]F830.49[文献标识码]A时，它们同时还发现信用评分系统有着比人工主观判断更好的预测能力——利用评分系统后贷款的违约率降低了50%以上。1975年及1976年在美国通过的“公平信用法”标志着信用评分已经被社会所完全接受。过去对信用卡申请的资信评估主要是通过专家根据经验判断和统计技术（如统计学及运筹学等定量分析工具）。统计学方法主要包括线性回归、判别分析和Logistic回归等；运筹学方法则主要是一些线性规划方法大部分的信用评分模型都使用其中的一种方法，或将几种方法结合起来使用。然而随着电子商务的发展，信用卡的使用者和交易量也将迅速增加，导致信息量急剧扩大，仅凭个人经验已很难有效的做出正确判断，而判别分析所做的假设条件又常常无法满足，因此需要引入先进的信息处理技术为决策者提供决策支持。在最近几年，一些非参数统计方法以及人工智能模型也被引入到评分模型，如神一、问题的提出在西方工业发达国家，信用卡等电子货币已经很大程度取代了传统的纸币，成为主要的支付手段。虽然目前信用卡在我国的使用普及面相对西方发达国家还显得远远不够，但随着电子商务的发展和金融等中介机构的电子化，信用卡必将很大程度上代替纸币。由于信用卡能给银行带来很高的利润，中国的各大商业银行受信用卡业务的高额利润和巨大市场空间的吸引，都开始加入或增加了在信用卡业务的投入。但高利润必然伴随高风险。如何更好地对信用卡申请人进行识别和判断，提高银行预防和抵抗信用卡风险的能力，是所有银行迫切需要解决的问题。因此，对信用卡审批的研究具有重要的实际意义。由于每天申请信用卡的人数众多，无论从经济的角度还是从人力的角度，银行都不可能完全依赖人工对申请进行审批，必须有一套自动的评分系统当这些金融机构利用评分系统[收稿日期]2008-04-08[作者简介]马海英，男，华东理工大学商学院管理科学与工程系教师，博士。-49-华东理工大学学报(社会科学版)NO.22008经网络、专家系统、基因算法以及非参数统计中的最近邻方法均被应用到信用评分卡的开发之中。在应用上,对于判别分析、Logistic回归方法而言，优点是简单易懂、模型的可解释性强、模型的结果可产生一个线性的评分卡（因而易于被实际部门工作人员理解和实施），但是它们的预测精度稍低；对神经网络而言，主要优点是预测精度较高，其缺点：稳健性不够好，当用保留样本进行预测时，精度下降较多；模型的解释性不强，建模过程基本上是一个“黑箱”；主要用于分类，即将申请人分成“好客户”和“坏客户”，而不能像判别分析Logistic回归等方法那样产生线性评分卡。[1](P33-35)不大。[3](P8-9)神经网络分析方法应用于信用风险评估的优点在于其无严格的假设限制且具有处理非线性问题的能力。由于神经网络方法的预测精度较高，因此其信用评分结果中应该综合了解释变量与因变量之间关系的更多信息，将这种信用评分结果作为解释变量之一，应该能够提高模型的预测精度。而最终用Logistic回归建立模型，又保证了模型的稳定性，可解释性。因此可以预期，这样建立的模型会比单独用一种方法建立的模型要好。四、混合模型的建立及实证1.模型参量设计在借鉴国内外现有评分指标选择的基础上，结合我国具体国情，我国现行的个人信用评分的指标体系涉及四个方面的21个指标。[4](P25-28)具体指标如下：（1）...