信用评分是基于客户信用等级的数值表达式,是用于评估和防范违约风险的有用工具,也是信用风险评估中的一种重要方法。因为风险具有客观存在性和控制艰巨性,为了减小信用风险事件带来的损失,需要选取合适的信用评分模型来进行信用风险控制。建立信用评分的方法有很多,本论文对信用评分模型的研究现状进行了文献综述。对常用的评分方法包括线性回归、判别分析、贝叶斯网络、逻辑回归、模糊逻辑、决策树、支持向量基、遗传算法、神经网络等。其中,神经网络模型有着更强的非线性处理能力,能提高信用评分模型的精度,其次本论文考虑构造一个新的神经网络信用评分模型。卷积神经网络(CNN)是一个多层的神经网络,通过在相邻层的神经元间加入卷积运算,来提取数据的特征。卷积神经网络有诸多类型,其中LeNet-5卷积神经网络是经典的卷积神经网络。LeNet-5具有权值共享和最大池化的特征,其识别效果显著。其网络结构中卷积层与最大池化层交替堆栈是LeNet-5网络的核心。门卷积网络(GCNN)是由Facebook人工智能实验室提出的深度学习模型,在训练方面表现出优异的性能。卷积神经网络通过卷积核权值共享,对输入进行整体建模。递归神经网络(RNN)是带有循环的神经网络,将过去的信息可以保留在系统中。网络具有记忆功能,能保留之前计算过的一些信息,并用在之后的计算中,但标准的递归神经网络无法对长期依赖进行学习。而长期记忆网络(LSTM)是一种特殊的递归神经网络,能够避免长期依赖问题。所有的递归神经网络都有链状的重复神经网络模块。LSTM有四个以特殊方式交互的神经网络层来取代单一的神经网络层。再运用门控机制对信息进行选择。门卷积网络模型通过将引入LSTM的门控机制引入到卷积神经网络中,实现对输入通过由局部到整体的共享权重而进行的全局建模,并用门机制对信息进行识别和判断,取得了良好的效果。本文的主要工作包括:以GCNN在卷积神经网络中加入输入门控制信息的思想为基础,参照CNN的经典模型LeNet-5的结构,将GCNN与LeNet-5模型相结合,并对层结构特征进行改进,发挥两个模型的优势,提高神经网络的优化能力,结合个人信用风险的特点,构造新的信用评分模型。采用知名P2P机构的借款人用户信息作为样本,对基于GCNN和LeNet-5的新模型进行训练和测试,用多分类支持向量基作为对比实验,实验结果表明该模型实证方面具有良好的效果。