随着我国住房市场的快速发展,商业银行个人住房贷款业务的规模不断扩大。与此同时,银行在这项业务上所面临的风险也日益加大,不良贷款比率明显高于西方发达国家的水平。因此,如何建立有效的风险防范机制,对于银行来说非常重要。课题以中国建设银行基于数据仓库技术的综合信息平台为基础,对该平台的企业风险管理模块中个人住房贷款信用风险评估进行了深入研究,实现了一个基于支持向量机的信用风险评估系统。 数据挖掘是一种融合了数据库、人工智能和数理统计等多学科特点的新技术。它是从大量、复杂的数据中迅速获取新颖、有效知识的过程。分类是一种最常见的数据挖掘任务,它通过经验数据训练得到的分类器来预测未知数据的类别。 支持向量机是数据挖掘中的一种新方法,以其优秀的理论基础即结构风险最小化理论、条件二次优化理论和核空间理论而倍受关注。其核心思想是将一个复杂的分类任务通过核函数映射使之转化成一个在高维特征空间中构造线性分类超平面的问题。它具有全局最优、结构简单、推广性好等优点。近年来已经在手写数字识别、人脸识别与人脸检测以及文本分类等模式识别领域有了很好的应用。 本文首先介绍了课题的应用背景、个人住房贷款的现状和现存的个人信用评估方法,提出了一种改进的个人信用评估方法。然后介绍了数据挖掘中常用的分类方法,通过比较各种分类方法的优点和缺点,给出了本文选用支持向量机的原因。 其次,深入研究了支持向量机的理论和算法。重点研究了Platt提出的序列最小最优化算法,实现了Keerthi提出的改进的序列最小最优化算法,并且实现了线性核、多项式核、径向基核和Sigmoid核四种核函数。 再次,设计和实现了基于支持向量机的个人住房贷款信用风险评估原型系统,把该系统应用于建行大连分行个人住房贷款信用风险评估。从综合信息平台抽取分类挖掘所需的数据并进行预处理。通过所构建模型的预测准确率对比,得出实际应用中径向基模型较好,同时也证明了改进后的个人信用评估方法优于原有的打分方法。 最后对全文的工作进行了总结和展望。