基于AHP-GM模型的信用卡申请风险评估研究

　　YN=（ x （0）（2），……，x （0 ）（n））T
　　对式（2）通过累减还原，得预测值：
　　 （0 ）（1）=x （0）（1） （0）（k）=（1-ea）（x （0）（1）-）e-a（k-1 ），k=2，3…，n （5）
　　（三）AHP-GM11模型及其实现
　　1．模型输入点的选取。通过AHP建立的指标体系，由于各判断矩阵的RC值均小于0.1，可认为它们均有满意的一致性。对权值累计贡献率>＝95%的指标保留，否则删除该指标，从而得到简化后的风险指标体系，并作为输入值。
　　2．GM模型预测。有了评估体系后，银行就可根据信用卡申请者或者信用卡授卡对象的归一化数据通过GM（1，1）模型得到预测结果。如果预测值>=0.8，说明申请者由于各种原因，申请者坏账风险比率高，银行应拒绝申请；如果0.4<预测值<0.8，说明信用一般，银行可以授予普通的信用卡；预测值<=0.4，说明其信用高，银行可授予信用额度高的信用卡。
　　3.模型的实际应用。本文结合实际情况，选取10个样本进行预测[13]，预测结果（见表3）。
　　三、结论
　　运用基于AHP和GM模型的风险评估模型可以同时考虑客户的一些静态和动态指标，如职业、学历、还款记录等，可以通过反映申请者的综合情况来考核其信用状况，为商业银行开展信用卡业务风险防范提供了依据。
　　但与此同时，在评价每个因素时，有时会出现某些指标的权重过高导致其综合评价指数偏高，而影响其信用状况评定。所以，如何更好地确定指标权重，进一步提高评估模型的稳定性、合理性将是作者今后的研究方向。
　　
　　参考文献：
　　[1]Eisenbeis R A.Pitfalls in the application discriminant analysis in business and economics[J].The Journal of F inance，1977，(2).
　　[2]Tam K Y，KiangM.Managerial applications of neural network s：the case of bank failure predictions[J].Management Sciences，1992， (1).
　　[3]F rydman H，A ltman E I，Kao D L.Introducing recursive partitioning for financial classification： the case of financial distress[J].Journal of F inance，1985，(1)：269-291.
　　[4]王春峰，等.小样本数据信用风险评估研究[J].管理科学学报，2001，(1)：28-32.
　　[5]李建平，徐伟宣，刘京礼，石勇.消费者信用评估中支持向量机方法研究[J].2004，(10)：35-39.
　　[6]邓聚龙.灰色控制系统[M].武汉：华中理工大学出版社，1988.
　　[7]刘思峰，郭天榜.灰色系统理论及其应用[M].郑州：河南大学出版社，1991.
　　[8]DENG Julong.Control problems of grey systems[J].Syst &Contr Lett，1982，(5)：288 -294.
　　[9]张岐山.灰朦胧集的差异信息理论[M].北京：石油工业出版社，2002.
　　[10]颜文.中国信用卡业务风险的宏微观分析[J].财会研究，2007，(4)：13-15.
　　[11]张颖，于海龙.中国信用卡业务现状和前景的综合分析[J].经济师，2007，(5)：23-24.
　　[12]信用评分及其应用[M].王晓蕾，石庆焱，吴晓惠，等，译.北京：中国金融出版社，2006：2-10.
　　[13]许速群，张岐山，杨美英.个人信用卡申请风险评估模型[J].中国信用卡，2007，(6)：30-33.
　　[14]詹志斌.对提升中国商业银行客户管理水平的思考[J].浙江金融，2010，(1)：33-34.
　　[15]贾有姣.信用卡业务的风险与防范[J].征信，2009，(2)：66-68.