基于在线多源冲突数据融合分类方法的信用评级研究

Credit rating is an effective way to control the financial risk, whose reliability is determined by credit data and the method of rating. On big data credit reporting, the online data is often conflicting because of the various sources it’s from. Credit rating method based on statistical analysis and artificial intelligence is sensitive to data quality, by which cannot get reliable results. This project selects the uncertain data analysis tool soft set as the core theory. Soft set theory has no limit to the type of objects and can directly find the approximate solution, which has great potential in the analysis of big data which have high volume, variety, velocity and low density of value..This project first proposes the source of conflicting data , then proposes the method of recognizing and measuring the conflicting data after classify them. .Secondly, based on combining soft sets with paraconsistent logic reasoning, two-dimensional static and three-dimensional dynamic paraconsistent soft sets of conflicting data are respectively constructed considering the difference of data timeliness, and put forward relevant properties and algorithm. .In the end, based on paraconsistent soft set, we proposed online multi-source static and dynamic conflict data fusion classification and its application to the credit rating, the use of empirical research and analysis of sensitivity, verify the validity and application of rating methods to improve the ability of credit rating under the era of big data.

信用评级是控制金融风险的有效途径，信用数据和评级方法决定了信用评级的可靠性。大数据环境下的在线数据来源多样造成信用数据常常具有冲突性。传统基于统计分析和人工智能的信用评级方法对于数据质量较为敏感，在分析冲突数据时无法得到可靠评级结果。本项目选择不确定数据分析工具软集合作为理论基础，该理论具有对分析对象类型没有限制，可以直接寻找近似解的特征，在具有4V特征的大数据分析中具有较大的应用潜能。项目首先分析信用冲突数据的来源，并对冲突数据进行分类，针对不同类型提出识别和测度方法；然后将次协调逻辑推理引入软集合，考虑数据时效性，分别构建二维静态和三维动态冲突数据下的次协调软集合，并提出相关性质和运算法则；最后基于次协调软集合，提出多源静态和动态冲突数据下的融合分类方法并应用于信用评级中，运用实证研究和灵敏度分析，验证评级方法的有效性和应用边界，以提高信用评级在大数据环境中的适用能力。

信用评级是控制金融风险的有效途径，信用数据和评级方法决定了信用评级的可靠性。大数据环境下的在线数据来源多样造成信用数据常常具有冲突性。传统基于统计分析和人工智能的信用评级方法对于数据质量较为敏感，在分析冲突数据时无法得到可靠评级结果。本项目首先从信用冲突数据来源角度，构建互联网环境下征信系统的系统动力学模型，运用Vensim软件模拟仿真，分析互联网环境下征信系统中不同主体的互动反馈关系及相互影响作用；并基于MIC-MAC方法对信用评价指标进行优化，确定信用冲突数据的来源。其次，提出了基于中智软集合和余弦相似度的冲突测度方法，对数据集的冲突程度进行测度。之后，考虑数据时效性，分别构建静态动态冲突数据的融合分类方法并将其应用于信用评级中。具体地，针对大数据环境下的静态冲突信用数据，构建基于次协调软集合的不完备不一致数据分类方法；冲突数据下构建基于中智软环境下的余弦相似度度量；针对语言表达中的冲突情况，提出概率语言术语集的置信区间解释，并据此构建偏好问题的可视化方法；冲突数据下考虑评价的非理性因素，构建了基于中智软集合和前景理论的随机多准则群决策方法并将其应用于信用评价中。针对大数据环境下的动态冲突信用数据，构建基于软概率的动态集成分类的信用评价方法；构建基于马尔科夫链的动态加权集成分类的信用评价方法；考虑时间因素，构建基于动态次协调软集合的不完备不一致数据分类方法；针对大跨度时间下快速变化的冲突数据，构建基于动态区间值中智软集合的多级动态信用评价方法。最后，从信用体系宏观视角出发，针对信用消费领域数据安全隐患大、数据滥用、信息孤岛等问题，基于区块链技术的代币经济理念，从信用消费流程的各参与方出发，构建双循环信用消费生态模型。该生态模式凭借区块链的交易可靠、隐私保护、高速流通、利益普惠等特点与我国信用消费发展契合，为从根本上改善我国信用消费环境提供了新的思路。