基于类别不平衡的企业信用风险违约测度探索——以制造业上市公司为例

针对所获取的类别不平衡的深沪A股制造业上市公司财务数据,为了预测制造业上市公司信用违约情况,提出基于欠采样改进的Lasso-Logistic模型;首先通过计算WOE和IV值,剔除风险识别能力和稳定性较差的变量,接着从"数据"层面对现有的Lasso-Logistic模型进行批量欠采样处理,最后结合"算法"层面对Lasso-Logistic子模型的预测概率进行简单平均集成来研究模型的改进效果;结果表明,从模型整体效果的测度指标AUC值和区分度指标KS值来看,基于欠采样改进的带有变量筛选能力的Batch-US-LLR模型能有效提升企业信用风险违约测度的效果,对完善企业风险预警机制,提升违约风险识别能力具有可行性和有效性。