基于不平衡数据的个人信贷违约测度探索

针对个人信贷风险评估中存在的类别不平衡问题,为了提升信贷违约客户的识别能力,提出基于欠采样改进的集成模型。该模型从“数据”层面进行批量欠采样处理,从“算法”层面对现有的集成模型进行再次集成。在UCI台湾信用卡信贷数据集上,结合模型整体效果的测度AUC值、精度方面的测度F1值和区分度指标KS值进行评估。结果表明,基于欠采样改进的Batch-US-集成模型总能取得更优结果,其中属Batch-US-Xgboost模型最优,接着对Batch-US-集成模型的子模型个数和模型有效性进行探索,证实了子模型个数并非越多越好的结论。改进后的Batch-US-集成模型能够有效提升信贷风险违约预测的效果。     

非均衡数据的债券违约预警研究

将上海交易所和深证交易所发行的30只违约债券和468只未违约债券作为研究样本,将债券是否违约设定为一个二分类问题进行识别分析,针对该问题构建了基于SVM的ADm R-AdaboostSVM分类模型;从企业资本结构、盈利能力、现金流量、偿债能力4个评估因素中筛选16个预警指标,运用ADASYN方法进行过采样合成新样本点,将特征提取m RMR方法引入债券违约领域,得出长期负债率、资本收益率、成本费用利润率以及股权比例这4个变量作为债券违约的最终预警指标,在此基础上运用AdaboostSVM模型进行风险识别。研究结果表明:在建模过程中克服了样本非均衡化问题使得分类精度显著提高,同时通过解决高维数据冗余问题,识别违约债券的准确率进一步提高,反复验证表明该模型具有较强的稳健性和有效性,具有一定的应用价值。     

非均衡数据的债券违约预警研究

将上海交易所和深证交易所发行的30只违约债券和468只未违约债券作为研究样本，将债券是否违约设定为一个二分类问题进行识别分析，针对该问题构建了基于SVM的ADmR-AdaboostSVM分类模型；从企业资本结构、盈利能力、现金流量、偿债能力4个评估因素中筛选16个预警指标，运用ADASYN方法进行过采样合成新样本点，将特征提取mRMR方法引入债券违约领域，得出长期负债率、资本收益率、成本费用利润率以及股权比例这4个变量作为债券违约的最终预警指标，在此基础上运用AdaboostSVM模型进行风险识别。研究结果表明：在建模过程中克服了样本非均衡化问题使得分类精度显著提高，同时通过解决高维数据冗余问题，识别违约债券的准确率进一步提高，反复验证表明该模型具有较强的稳健性和有效性，具有一定的应用价值。     

基于主成分的Logistic模型的上市公司信用风险评价分析

针对当前上市公司信用风险管理效果不佳的问题,提出以上市公司违约概率作为信用风险高低的衡量标准,利用我国上市公司的财务数据,结合主成分分析法和Logistic方法构造了上市公司信用风险评估模型。实证研究结果表明,该模型具有可信的识别预测和推广能力,能够为企业信用风险程度的判定提供客观依据。     

商业银行信贷业务风险预警 ——基于灰色系统理论与Logistic回归的实证检验

商业银行信贷业务在给银行带来丰厚收益的同时,也带来了很高的风险。其主要原因在于银行对违约企业的前期预警能力不足。研究以2011年制造型企业上市公司年报数据为样本,采用样本配比的抽样法,建立了基于灰色系统理论的logistic违约预警模型,并进行了实证检验。结果表明,引入灰色系统理论的logistic违约预警模型具有较好的拟合度,对违约企业具有较强的预测能力和预测精度,达到了对违约企业进行前期预警的目的。该模型的运用将显著降低银行的信贷业务风险,提升银行的经营效益。     

Z-score模型最优截断值确定方法比较——基于违约风险预测能力角度

Z-score模型在对企业进行财务困境和违约风险判别方面具有重要的应用价值,最优截断值的确定方法对于提高模型的违约风险判别能力至关重要.文章以医药生物行业上市公司作为样本,运用Fisher逐步判别法从15类财务比率中筛选出判别能力较强的7个指标构建了Z-Score模型,并尝试用加权平均法和考虑先验概率和误判成本的ZETAc模型法分别确定最优截断值,结果发现运用ZETAc模型法能够提高模型整体预测的准确率,而且能够降低第Ⅰ类错误分类的成本,其预测违约风险的能力明显优于加权平均法.     

基于遗传算法KMV模型的公司债券违约风险度量研究

基于遗传算法对KMV模型进行了修正,并运用修正的KMV模型对样本债券在2017—2018期间的违约风险进行度量。结果表明:基于遗传算法改进的KMV模型在预测公司债券违约风险方面有着不错的表现,拟合正确率远高于改进前的原模型;并且公司债券所属行业的不同会影响模型违约点的选择,从而影响KMV模型度量违约风险的效果。     

基于遗传算法KMV模型的最优违约点确定

现代市场经济中资信评估具有重要作用,它起着社会监督和识别违约风险的作用.根据可获得的中国上市公司的基本数据,结合遗传算法对经典KMV模型中的最优违约点进行了重新定义.结果显示改进的模型拟合正确率比原模型高,即改进的KMV模型更适合应用于中国上市公司的资信状况评估.     

LOGIT回归模型对公司违约的预测探讨

为准确有效地预测企业违约的可能性, 以避免信用违约风险, 基于单一变量和多变量两种模型的分析,利用Logit 回归模型对企业的各变量和违约概率进行推断, 并以德国企业为例, 分析违约公司的共性和特性。对模型的交叉验证结果表明, 以Logit 模型衡量企业违约预测的统计方法整体精度达到70% 左右, 并能保持较高的可靠性和稳定性。违约预测可大大降低企业的违约风险, 在金融投资领域发挥重要作用。     

基于集成学习的用户信用卡违约预测模型研究

用户信用卡违约预测任务有助于银行等金融机构平衡经济风险与经济利益,对于银行信用卡业务的风险管控具有重要作用。针对用户信用卡违约预测问题,提出了一种基于集成学习的预测模型,有异于传统集成学习中的弱学习器。该模型采用集成模型和神经网络模型作为基学习器,从而提升模型整体的预测效果。首先通过预处理提取用户信用卡数据集的相关特征,然后分别采用优化后的决策树、随机森林、GBDT、XGBoost、CatBoost和SPE六种机器学习模型与神经网络模型进行并行训练和预测,最后通过加权软投票法集成基学习器结果并输出最终预测结果。结果表明,相对于基学习器,该模型在各项评估指标上均有所提升,且拥有更好的模型泛化能力。     

基于EVA的信用风险度量模型修正设想

通过对现代信用风险度量模型的梳理发现,KMV模型适用于企业集团内部信用风险的度量.但由于当前上市公司居多,KMV对非上市公司信用风险的度量存在一定的局限.对EVA进行梳理和将EVA估价法与FCFF估价法进行比较得出,在KMV模型中用EVA指标去替代股价后能更好地应用到对企业集团内部非上市子公司信用风险的评价.     

基于Logit和KMV的我国上市公司信用风险的比较研究

利用Logit回归模型和KMV模型分别对选取的29家我国上市公司样本的信用风险进行实证分析和比较。结果表明,两个模型基本上都能反映上市公司的信用状况,虽然KMV模型对非违约样本组的预测结果要优于Logit模型,但是在违约公司样本组的预测上,Logit模型要远比KMV模型准确。从总体效果来看,Logit模型的预测准确性要高于KMV模型。     

中国家电上市公司基于企业价值的战略集团划分

根据企业主要产品(主要为彩电、冰箱、洗衣机和家用空调)和战略空间,选取18家家电上市公司,在1998—2000年的时间段内,运用基于企业价值的战略集团划分方法,选取测度企业财务价值的企业财务比率和测度企业市场价值的股票价格涨幅的余差作为战略变量,通过方差协方差分析、因子分析和聚类分析在我国家电产业上市公司中划分出3个与产业实际情况基本吻合的战略集团·研究发现我国家电上市公司中确实存在战略集团,且基于企业价值的战略集团划分方法能适用于当前我国经济转型时期的产业战略集团的划分·     

基于主成分分析法的我国上市公司信用风险评价模型

采用理论分析与实证分析相结合的研究方法，建立了适合我国上市公司信用风险评估的模型。该模型采用主成分分析法筛选出我国企业信用风险评价的主要指标变量，并选取我国2002年度22个行业500家上市公司的财务数据样本，对该模型进行验证，得到的判别正确率为88．67％。该模型评价指标体系简单，实用性强，运行成本低，准确率高，为我国上市公司信用风险评价提供了一种新的有效方法。     

基于公用事业行业特征的资本结构微观影响因素分析

文章以在沪深两市中的公用事业上市公司在2007—2009年间的面板数据为样本,运用因子分析、多元回归分析法对影响我国公用事业上市公司资本结构的微观因素进行了实证分析。实证结果表明,公用事业上市公司的长期和流动资产负债率与公司的成长能力、股权结构均呈正相关关系,与营运能力、偿债能力、企业规模、盈利能力呈负相关关系。     

基于KMV模型对中国上市公司的信用风险进行度量的实证分析

针对目前上市公司的日趋增多和广大投资者对于投资股市的热情,对上市公司的信用风险进行度量和评估已显得十分迫切和必要。运用KMV模型,从我国沪深两市中共选取三十家绩优股和绩差股,以2007年9月30日为基准日,运用三种方法计算其未来一年的违约距离DD(Default Distance)和预期违约频率EDF(Expected Default Frequency),在一定程度上可以对上市公司信用风险进行评估。分别采用了三种方法来计算违约距离并进行对比。实证分析结果表明,在KMV模型中引入资产连续回报率这个模型最适合中国国情,灵敏度和预测能力较好,在一定程度上可以揭示上市公司的信用风险。     

基于BO-XGBoost与集成学习方法的供应链金融信用评价研究

针对供应链金融领域中小企业融资的信用风险控制问题，提出了一种在Bagging算法框架下结合贝叶斯优化和XGBoost算法的集成学习模型BO-XGBoost-Bagging（BXB）。首先，基于XGBoost特征重要度进行特征筛选，建立供应链金融信用评价指标体系。其次，通过贝叶斯优化获得XGBoost的最优超参数，并结合Bagging算法得到集成模型BXB。最后，在中小企业数据集上进行预测，通过实证研究验证信用评价模型的有效性。实证结果表明，BXB模型相比其他模型具有更好的预测效果，能够更加准确、全面地对中小企业的信用风险进行评估，更好地区分风险企业和正常企业，最大程度减少违约损失，在供应链金融信用评价方面有着较高的应用价值。