基于显著区分两类客户的小型建筑企业信用评价模型研究

本文以中国某区域性商业银行185个小型建筑企业的贷款客户为样本,将熵值法权重、CRITIC法权重和方差齐性检验法权重进行组合,通过构建非线性目标规划函数反推出单一赋权方法的组合系数,构建了显著区分违约和非违约客户的小型建筑企业信用评价模型.通过ROC曲线原理,对不同赋权模型的结果进行违约判别能力的检验.本文的创新与特色:一是通过组合赋权得到的信用得分的组内平方和越小、组间平方和越大、那么违约与非违约客户差异越显著的思路建立非线性目标规划模型,通过目标函数最大反推出单一赋权权重的组合系数,保证组合权重的大小能够显著区分客户的违约状态.解决了信用风险评价中组合权重的大小必须对违约状态有显著鉴别能力的难题,避免了现有研究的信用评分模型由于忽略指标权重区分违约状态的能力、导致出现越是可能违约的客户、信用得分反而越高的不合理现象,开拓了信用风险评价指标赋权的新思路.二是根据违约样本均值偏离全部样本均值程度越大、这个指标区分违约状态能力越强、权重越大的思路对指标进行赋权,通过方差齐性检验F值刻画指标的权重,使指标权重的大小反映指标鉴别违约状态能力的大小,改变了现有研究的指标客观赋权方法与违约状态鉴别能力无关的弊端.实证结果表明,与单一赋权结果相比,组合赋权模型的灵敏度和特异度分别为83.33%和95.95%,对客户的违约判别能力更强.     

基于最优指标组合的企业信用风险预测

信用风险预测是指构建企业历史数据与违约状态之间的对应关系,根据现在的数据对企业在未来是否会发生违约做出预判.将近邻成分分析引入信用风险领域进行指标组合遴选,以违约预测精度AUC最大反推最优的指标组合.利用随机欠采样方法,以违约预测精度G-mean最大为标准反推违约客户与非违约客户的最佳比例,确定最优训练样本.采用t-m...     

基于最优指标组合的代价敏感违约预测模型——以A股中小企业为例

企业违约预测是在当下时刻推断企业未来时刻发生违约事件的概率，与经济和社会息息相关。本研究的贡献在于：一是构造了兼顾指标组合违约预测精度和指标个数的多目标函数，通过sigmoid函数将蜉蝣算法转化为二进制蜉蝣算法，将其引入金融风险领域进行最优指标组合的遴选。二是在逻辑回归模型的对数似然函数中，给违约企业添加一个惩罚系数，以违约预测精度F-measure最大，反推最优的惩罚系数值，在保证总体判别精度的前提下，提高模型对违约企业的识别精度；同时使得逻辑回归求解的目标函数更贴合实际情况，确保了估计的权重向量更准确地反映指标数据与其违约状态间的函数关系。中小企业的实证研究表明：“高管年薪披露方式”“前十大股东是否存在关联”和“监事会持股比例”等企业内部非财务因素，以及“人均地区生产总值”“中长期贷款基准利率”和“货币和准货币供应量同比增长率”等宏观经济因素对中小企业违约预测的影响不容忽视。该方法可以提升对企业信用风险的识别能力，降低商业银行的不良贷款率。     

基于粗糙集与遗传算法集成的企业短期贷款违约判别

建立了粗糙集和遗传算法集成的企业贷款违约判别模型.该模型首先利用FUSINTER方法离散化财务数据,并应用遗传算法约简评价指标,进而基于最小约简指标提取违约判别规则,最后对企业短期贷款检验样本进行违约判别.利用贷款企业数据库558家样本企业进行交叉验证技术的实证研究,结果表明,与多元判别分析、logistic、BP神经网络等违约判别模型相比,粗糙集和遗传算法集成的违约判别模型是一种更为有效和实用的信用风险评估工具.     

违约相关性下包含信用债券的最优投资组合

研究了当信用债券之间的违约存在相关性时, 投资者配置于信用债券组合、股票(股指)和银行存款的最优投资组合问题. 利用简约化模型来刻画信用债券之间的违约相关性, 并推导出各资产价格的动态方程, 通过随机控制方法给出了此优化问题的解析解. 将违约相关性引入至投资组合并揭示了其对最优投资组合的影响是本文与以往文献的显著不同和主要创新.     

基于信用差异度最大的信用等级划分优化方法

信用评级对当代社会有极其重要的影响,若信用等级划分不合理,必将误导债权人和社会公众.信用评级结果的变动直接反映经济状态的变化,2011年标准普尔把美国的主权信用评级从AAA级降为AA+,引起全球金融市场的动荡.信用评级的本质是合理区分客户的信用状况,揭示不同等级客户的信用风险水平.国际上比较流行的标普、穆迪的信用评级针对中国客户的评级结果往往存在信用等级很高、违约损失率反而不低的不合理现象.本研究以信用差异度和违约金字塔为标准,构建非线性规划模型划分信用等级,并以中国小企业贷款数据为样本进行实证研究·本研究的创新与特色一是根据第k个信用等级中最后一个样本的信用评分P_(mk)~k与第k+1个信用等级中第一个样本的信用评分P_1~(k+1)确定相邻两个等级的信用评分差值,以所有信用等级的评分差值之和∑(P_(mk)~k-P_1~(k+1))最大为目标函数,确保最大程度的保证信用评分差异大的客户划分为不同信用等级.避免了把信用状况差异较大的客户划分成同一个信用等级的不合理现象.二是以信用等级由高到低的违约损失率严格递增为约束条件建立信用等级划分模型,保证信用等级划分结果满足信用等级越高、违约损失率越低的违约金字塔标准,避免出现信用等级很高、违约损失率反而不低的不合理现象.三是1814笔工业小企业贷款数据的实证研究表明,本研究的信用等级划分方法不仅满足信用等级越高、违约损失率越低的违约金字塔标准,还能保证信用状况差异大的客户划分为不同信用等级.     

道德风险下的最优委托理财契约研究

本文考虑在离散投资环境中,基金投资委托人与管理人之间的线性最优契约问题.在指数效用函数和管理人道德风险的前提下,将问题描述为多目标规划模型,通过运用多目标优化条件求出问题的解析最优解,即最优线性契约和最优投资组合.进一步论证表明,基金管理人的最优业绩报酬应包含部分固定费用、管理成本以及超额投资收益,同时证明了管理人的最优投资组合符合经典的两基金分离定理形式.     

基于最小显著差异法农户关键违约特征挖掘

信用风险管理不仅是简单的对客户信用资质进行排序，而是识别出客户是否违约，如果违约将会给银行造成多大程度的损失.故信用风险管理问题可以归纳为：一是根据什么标准识别客户是否违约，这个标准也就是文中的关键指标；二是客户按照某一标准划分为多类，哪一类客户将给银行造成更大的损失，这类客户的识别也就是文中的关键特征识别.上述问题解决的是在信用风险管理中，具有哪些关键特征的贷款农户是造成银行较大违约损失的"害群之马".以中国某国有商业银行分布在28个省的农户贷款数据为实证样本，通过F检验的方法甄别出居住状况，年净收入/省人均GDP这2个指标是对中国农户贷款违约损失率有显著影响的关键指标.通过最小显著差异法确定"年净收入/省人均GDP"区间在10.02~19.24内，居住状况是"共有住房"特征的贷款农户的违约风险最大，是信用风险管理中的关键特征，具有这类特征的贷款农户的违约风险最大.     

基于余弦相似度的企业违约预测模型及实证

企业违约预测,是通过挖掘指标数据与违约状态之间的函数关系,来预测企业未来的财务风险,其对银行贷款、股票投资、公司债券投资等具有重要的参考意义.本研究的贡献主要有三个方面:一是通过将企业的夹角余弦值而非欧氏距离作为违约状态相似性的度量,构建企业违约预测的Cos-k-means模型,避免了通过欧氏距离聚类时,忽略企业和聚类中心的角度关系以及对噪声样本和极端值敏感的弊端.二是通过构建兼顾模型违约鉴别力最大和指标组合冗余最小的目标函数,采用二进制粒子群算法(binary particle swarm optimization,BPSO)遴选指标组合,保证了构建的信用评价指标体系简洁、合理.三是通过采用企业t-d (d=1,2,3,4,5)期的指标数据和第t期的违约状态构建违约预测模型,实现了使用企业第t期的指标数据预测t+d期违约状态的目的.     

基于混合生存分析的动态信用评分方法

当今国内外经济形势复杂多变,不确定因素增多,金融市场中信用风险的动态性显著增强,动态信用风险评价成为金融机构迫切需要解决的问题.为此,本文提出了一种基于混合生存分析的动态信用评分方法.该方法由三部分组成:首先,构建基于混合生存分析的动态信用评分模型,包括违约状态判别模型和违约时间估计模型,用于预测评价对象"是否违约"以及"何时违约";其次,利用面板数据构建多重生存状态向量,用于表征信用特征和生存时间的动态关联;最后,基于生成的多重生存状态向量,利用期望最大算法迭代估计模型参数.实验研究表明该方法的预测效果显著优于基于单分类、基于集成学习以及基于生存分析的信用评分方法.     

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。     

核Fisher判别分析方法评估消费者信用风险

利用基于核函数和线性Fisher判别构建的核Fisher方法评估消费者信用风险。该方法首先通过核函数建立一个非线性映射,把原空间中的样本点投影到一个高维特征空间,然后在高维特征空间中应用线性Fisher函数,把具有不同属性值的样本点判别到相应的类别。通过对个人信贷数据的研究表明,核Fisher方法可以有效地评估消费者信用风险。     

基于扰动方法和广义K-L变换的人脸特征抽取

对广义最佳鉴别矢量的求解方法进行研究,根据矩阵的扰动理论和广义K-L变换,提出了一种改进的求解广义最佳鉴别矢量集的解析算法。由于该算法一次性地求出了所有广义最佳鉴别矢量,而无需迭代,因而节约了计算时间,且识别率高。在ORL人脸数据库的数值实验,验证了上述论断的正确性。     

基于多尺度低频特征组合的线性鉴别分析

目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好.     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于最大间距准则(MMC)新的有效特征提取方法

基于最大间距准则(Maximum Margin Criterion,MMC)下,提出一组具有标准正交性的最佳鉴别矢量的计算方法和一组具有统计不相关性的最佳鉴别矢量的计算方法。这种方法的目的是寻求一组最佳鉴别矢量既要使投影变换后的特征空间的类间散度最大,而类内散度最小;又要减小最佳鉴别矢量间的统计相关性。与原MMC特征提取方法相比,新的特征提取方法降低了甚至消除了最佳鉴别矢量间的统计相关性,提高了识别率。通过分别在ORL人脸库和NUST603人脸库上实验结果表明提出的具有统计不相关性的MMC特征提取方法在识别率方面整体上好于原MMC特征提取方法和常用的主成分分析(PCA)法。另外,揭示了MMC准则特征提取与Fisher准则特征提取的内在关系。     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

基于支持向量机的个人信用评估模型及最优参数选择研究

运用基于支持向量机理论试图建立一个新的个人信用评估预测方法,以期取得更好的预测分类能力.为了达到这个目标及保证可靠性,研究中使用网格5-折交叉确认来寻找不同核函数的最优参数.为了进一步评价SVM分类准确性,我们在本文最后对SVM方法与线性判别分析,Logistic回归分析,最近邻,分类回归树及神经网络进行了比较,结果表明,SVM有很好的预测效果.     

基于Fisher判别的企业短期贷款信用违约模型构建

企业信用违约率的准确测度是巴塞尔Ⅱ框架下内部评级法中的基本要求。本文针对企业信用违约预测存在的问题，运用SAS统计软件对某国有商业银行的2003年全部短期贷款企业的财务数据进行分析．摒弃以往配对模式，采用全样本进行分析，筛选出11个财务比率指标作为企业信用风险评价函数的计量参数。应用Fisher判别原理．建立一个简明的违约判别模型，经统计检验模型是有效的．判别结果也是可接受的。     

二维最大散度差图像投影鉴别分析

提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明，所提出的方法不仅在识别性能上优于传统的散度差鉴别分析，特征抽取的速度有了较大幅度的提高。