李運蒙，桂繞根，石安安

（五邑大學 經濟管理學院，廣東 江門 529020）

基于支持向量機的助學貸款信用風險預警研究

李運蒙，桂繞根，石安安

（五邑大學 經濟管理學院，廣東 江門 529020）

針對助學貸款額度小、管理過程繁瑣、違約率高的問題，提出了用基于支持向量機的助學貸款信用風險預警系統來有效降低關注范圍、提高貸后管理效率的方法. 在分析助學貸款違約影響因素和相關預警模型特點的基礎上，建立了支持向量機預警模型；通過實際數據測試，模型在違約和守約分類預測方面有較高的準確率，為銀行調整貸后管理策略提供了依據.

助學貸款；支持向量機；核函數；信用風險

國家助學貸款是由政府主導、財政貼息，銀行、教育行政部門與高校共同操作的專門幫助高校貧困家庭學生的銀行貸款，是政府運用金融手段幫助貧困學生順利完成學業(yè)而采取的重要措施，于1999年開始實施. 由于機制不健全和信用體系不完善，助學貸款一直有較高的違約率. 從銀行方面考慮，迫切需要提高對助學貸款的管理水平，探索能夠提高貸后管理效率的切實可行的方法.

通過預警的方法來提高管理效率，是目前各種風險管理十分重視的方法. 在助學貸款方面，一些學者通過研究，構建出了國家助學貸款風險預警指標體系[1-4]，并對助學貸款的管理提出了很多有意義的建議. 但多數研究集中在理論分析等定性的研究方面，定量研究以及構建高精度預警模型方面有待深入. 國際上通常將商業(yè)銀行貸款風險預警問題看作分類問題[5-6]，即通過貸款對象的一些相關指標的數據，運用預警模型進行估算和判斷，將結果分為正常貸款和違約貸款兩類；或設置不同警戒限，將結果分為多類. 如Logistic、神經網絡、支持向量機等方法，在銀行貸款風險預警方面都有良好的應用效果[7-8]. 考慮到助學貸款問題的復雜性，以及預測模型的精度要求，對其預警應著重考慮非線性模型. 支持向量機（support vector machine，SVM）模型不過分依賴樣本數量，能通過有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中[9-10]，是適合助學貸款違約行為等小樣本問題分析與建模的首選工具. 本文采用MATLAB7.0中的SVM工具箱LIBSVM構建了廣發(fā)銀行江門分行助學貸款信用風險預警系統.

1 建模思路

1.1 支持向量機常用核函數介紹

SVM分類器通過建立一個超平面作為決策曲面，使得不同類別樣本之間的隔離邊緣最大化，以達到對空間進行劃分，最終實現分類的目的. 這基于樣本集線性可分的前提，而實際應用中，多數樣本集在原始空間內的分類函數不是線性的，通常需要采用非線性映射的方法，將原始空間的樣本集映射到高維特征空間使其可分，但又會因此產生維數災難或無法計算的問題.

核函數能很好地解決上述問題，既能使樣本集在特征空間可分，又不增加計算的復雜度，因此核函數的選擇是決定SVM分類性能優(yōu)劣的關鍵問題. 用于SVM的核函數一般有以下幾種：

1.2 指標數據預處理

助學貸款是小額貸款但其需要單獨管理且過程十分復雜，如果能夠很好地進行預警，就能夠縮小關注范圍、節(jié)省管理成本. 筆者在總結了國內助學貸款預警研究成果的基礎上，與廣發(fā)銀行專家進行多次討論，列出的國家助學貸款指標體系[4]主要包括：入學前指標、在校期間指標、畢業(yè)后指標和環(huán)境指標等內容. 采用一系列方法對這些指標進行篩選，最終確定10項指標作為助學貸款違約預警判別指標，為了滿足模型學習、預測的需要，將收集到的學生在校表現等數據進行量化，并將數據取值進行離散化，具體處理如下：

1）在校是否獲獎學金，0表示未獲得，1表示獲得；

2）綜合測評成績的班排名，取值0.01～0.99；

3）性別，0表示女，1表示男；

4）在校是否有還款行為，0表示無，1表示有；

5～7）畢業(yè)后1～3年內的還貸比，取值0.00～1.00；

8）分別取0.2、0.4、0.8、1.0代表貸款生畢業(yè)后月收入1500以下、1500～3000、3000～4500、4500以上；

9）分別取0.2、0.4、0.8、1.0表示健康狀況差、一般、良、優(yōu)；

10）是否就業(yè)，0表示未就業(yè)，1表示就業(yè).

1.3 模型建立步驟

采用MATLAB7.0中的SVM工具箱LIBSVM對數據進行學習訓練和檢驗. LIBSVM是臺灣大學林智仁副教授等開發(fā)設計的具有SVM模式識別與回歸、交互檢驗（Cross Validation）等功能的軟件包. 本文在使用這一軟件包時，嘗試對一般建模步驟進行改進，采用以下改進的步驟和訓練要求進行建模和預測：

1）準備學習用指標數據集；

2）選用相應核函數和其他參數，初次選線性核函數；

3）進行訓練并利用交叉驗證得到最佳參數，訓練精度大于99%，獲取支持向量機模型；

4）利用獲取的模型進行測試與預測；

5）當預測精度低于90%時，采用以下方式進行改進：a.更換核函數，分別選取RBF核函數、多項式核函數和Sigmoid核函數再試；b.分析樣本數據集，剔除不合理樣本，重復以上過程；c.重新按新標準離散化樣本.

2 運用支持向量機模型進行國家助學貸款違約風險預警的實證分析

2.1 數據準備

從廣發(fā)銀行江門分行提取近8年學生貸款情況數據6000余條，通過篩選，違約樣本只有521個. 如果隨機在其中選取樣本，將使模型在多數的守約樣本中學習，不能體現違約樣本的特點，因此在學習中采用：11的方式選取違約與守約樣本，剔除數據殘缺的樣本，最終選取出300個較合理的樣本.

在選取的300個樣本中，其中200個作為訓練樣本，并采用交叉檢驗進行學習檢測，剩下100個作為預測樣本.

2.2 模型參數及實驗結果

200個樣本屬于小樣本，但是經過離散化樣本指標，使得樣本空間縮小，加上使用支持向量機模型，得到了較滿意的結果. 不同核函數和參數下的預測結果如表1所示.

從表1預測結果可以看到，徑向基核函數的分類準確率較高，是適合本文模型的核函數. 目前，關于支持向量機模型參數的選取尚無有確定的結論[11]，一般采用逐個測試的方法確定，當某種參數的選取能取得較好結果時，有理由相信實際問題與該非線性模型有較好的相似性.

表1 各種核函數的運行結果

3 結論

運用支持向量機模型，在不同核函數條件下，對學生貸款行為進行預測，預測準確率在83%以上，尤其是采用徑向基核函數，準確率可以達到90%，據此可以得出以下結論：

1）現有歷史數據能夠構建出有較高精度的預測模型，可以作為貸后管理的參考，據此銀行方面可以調整管理策略、縮小關注范圍，集中精力應對有可能發(fā)生違約的用戶，以實現降低管理成本的目的.

2）在小樣本建模的過程中，對樣本數據指標進行合理的離散化，有助于模型的訓練學習，可以快速得到穩(wěn)定的模型.

3）當學習精度達不到要求時，可從模型選取、數據指標選取、數據預處理方式等多方面進行調整，以取得好的效果.

采用違約與守約：11樣本進行學習，能夠使模型折中合理且準確. 守約判為違約的錯誤對銀行只是增加了管理成本，而違約判為守約則會造成直接損失. 因此根據銀行方面的要求，模型在每類錯誤上的概率仍需細分繼續(xù)研究.

[1] 陳媛，龔曦. 國家助學貸款風險防范對策研究[J]. 山西財經大學學報，2010, 32(2)： 81-82.

[2] 趙振宇，張偉，陳紅霞. 基于模糊德爾菲法的國家助學貸款信用風險評估研究[J]. 黑龍江高教研究，2011(1)：58-60.

[3] 鄭天虹. 粵助學貸款：違約率6年升高10多倍[N]. 新華每日電訊，2009-12-11.

[4] 李運蒙，桂繞根，涂英. 國家助學貸款信用風險預警指標體系的構建與應用[J]. 內蒙古大學學報：自然科學版，2012, 43(6)： 579-585.

[5] DAN M C, MARK G R. A comparative analysis of current credit risk models [J]. Journal of Banking and Finance, 2000, 24(1)： 59-117.

[6] ATIYA A F. Bankruptcy prediction for credit risk using neural networks： a survey and new results [J]. IEEE Transactions on Neural Networks, 2001. 12(4)： 929-935.

[7] 石慶焱，靳云匯. 多種個人信用評分模型在中國應用的比較研究[J]. 統計研究，2004(6)： 43-47.

[8] 姚瀟，余樂安. 模糊近似支持向量機模型及其在信用風險評估中的應用[J]. 系統工程理論與實踐，2012, 32(3)： 549-554.

[9] CHAPELLE O, VAPNIK V, BOUSQUET O. Choosing multiple parameters for support vector machines [J]. Machine Learning, 2002, 46(1)： 131-159.

[10] 施燕杰. 基于支持向量機（SVM）的股市預測方法[J]. 統計與決策，2005(4)： 123-125.

[11] 劉向東，駱斌，陳兆乾. 支持向量機最優(yōu)模型選擇的研究[J]. 計算機研究與發(fā)展，2005, 42(4)： 576-581.

[責任編輯：熊玉濤]

A Study of Early Warning on Credit Risks of Student Loans Based on the Support Vector Machine (SVM)

LI Yun-meng, GUI Rao-gen, SHI An-an
(School of Economics and Management, Wuyi University, Jiangmen 529020, China)

Considering the small amounts, the tedious management process and the high default rate of student loans, this paper proposes a student loans credit risk warning system based on the support vector machine to effectively reduce the scope of attention for loans and improve their management efficiency. On the basis of an analysis of the factors contributing to defaulting and the characteristics of an early warning model, an early warning model based on the support vector machine (SVM) is built. Actual data tests show that the model has a high accuracy rate in the prediction of contract observance and breach and can provide a basis for banks to adjust loan management strategies.

student loans; SVM; kernel function; credit risks

O211.61；F822.1

A

1006-7302（2014）01-0050-04

2013-10-11

廣東省哲學社會科學規(guī)劃項目（GD11XGL20）

李運蒙（1964—），男，山東鄆城人，副教授，碩士，主要從事金融數據分析方面的研究.