消费者信用评估中支持向量机方法研究

消费者信用评估是金融与银行界研究的重要内容，最近的研究显示统计学习理论(SLT)方法在信用评估中有优势。本文在信用评估中应用了一种新的方法——支持向量机方法(SVM)，该方法属于机器学习理论发展的最新阶段，具有专门针对有限样本、算法复杂度与样本维数无关等优点。使用真实的信用卡数据实证结果表明，本方法具有较好的预测能力，在与国内某商业银行现有信用卡个人信用评估方法的对比研究中，该方法具有明显的优势。     

基于博弈论的C2B2C模式下电商信用监管机制研究

由于商户与消费者间的信息不对称性,电商失信问题日益突出.对此,作为电子商务的主要媒介,电商平台的信用监管职责不容忽视.在C2C电子商务模式中,引入电商平台为第三方信用监管方以形成C2B2C电子商务模式,并设计C2B2C电商信用监管机制,包括:保证金收取机制,信用监管机制,失信惩罚机制等.基于博弈理论,构建了C2B2C电子商务模式下的演化博弈模型与双价交易模型,对电商和消费者双方的长期交易策略进行了分析,其结果表明:提高信用保证金、增强信用监管力度、增加伪装成本能有效避免电商失信行为,减少消费者在电子商务交易中的风险.     

基于V-foldCross-validation和Elman神经网络的信用评价研究

研究了关于公司信用评估问题的现状,指出一般神经网络应用于信用评估领域的不足.在此基础上,提出一套甄选原则以选择关键的信用评分指标;然后依据这些指标建立了基于Elman回归神经网络的我国企业的信用评估模型.采用V-foldCross-validation技巧对该模型的评分效果进行了实证研究.     

信用指标空间的序关系及优势结构

就客户信用评估问题进行研究,引入信用指标空间和复合信用评估函数的概念,从理论上讨论了信用指标的序关系和信用指标空间的优势结构,并给出基于理想信用评估价值的评估优化模型和应用示例,从而给出客户信用评估过程的数学描述.     

多维动态信用评估的信用状态空间结构研究

从理论上讨论了多维动态信用评估（MDCE）的状态空间结构，提出信用状态维度、信用状态空间（CSS）、ε-等信用状态和ε-伪等信用状态等概念.在构造信用状态空间的基础上，结合空间分析方法和优化技术，构建了偏序结构下的多目标评估模型，所有待评估的信用主体被描述为信用状态空间中点的集合，并归入相应的信用状态等级，最后给出一个应用示例.     

基于Lasso二元选择分位数回归的上市公司信用评估

Lasso二元选择分位数回归是较为新颖的统计方法,一方面通过Lasso的变量选择功能,能够从众多的影响因素中识别出关键因素;另一方面通过分位数回归对各因素在不同分位点处的异质影响进行细致刻画,能够获得更多信息进而实现信用状况的准确评估,可望在信用评估领域发挥重要作用。基于Lasso二元选择分位数回归,建立评估模型并将其应用于中国上市公司的信用评估。通过数值模拟和实证研究,将其与基于Logit回归、Lasso-Logit回归和支持向量机的评估效果进行对比,发现前者不但具备良好的变量选择能力而且可以获得最佳的评估效果。     

基于VaR模型的信用担保定价方法

随着金融市场的日渐完善，信用担保的使用日趋频繁，目前信用担保定价方法主要采用经验定价法和期权定价法。分析这两种方法在实际使用当中的局限，结合国际通行的VaR风险模型，给出了能根据信用担保风险确定担保价格的定价方法，使用该定价方法，担保机构可以在一定置信水平下至少获得无风险收益。     

基于遗传算法和分类树的信用分类方法

银行信贷信用评估本质上是个分类问题,已有统计和非统计的各种方法应用于信用评估,其中分类树方法,也称为递归分割法,比较适用于处理定性变量,而作为非统计方法之一的遗传算法则适用于处理连续型定量变量之间的非线性关系,但无法处理定性变量,利用这两种方法特点的互补性,构建了一种分类树和遗传算法相结合的信贷信用评估方法,先用分类树方法按照定性变量分类,然后在每个叶结点上用遗传算法按照定量变量分类.实证分析表明,该方法比单独使用分类树方法或遗传算法的分类准确率高.     

M.H.DIS模型在我国上市公司信用评估中的应用研究

针对我国目前缺乏适用的、高效的系统信用评估模型的现状,研究了由希腊学者提出的M.H.DIS信用评估模型.在对该模型的详细介绍的基础上,选用我国55家上市公司1999年财务数据作为训练样本,利用Matlab软件根据M.H.DIS模型的基本思想,构建了经验信用评估曲线,并利用60家上市公司2000年财务数据为检测样本进行检验,获得较好的实证检测效果.通过以上研究分析,文章提出该模型适合我国目前基本国情,具有良好的推广前景.     

贝叶斯网络个人信用评估模型

研究了朴素贝叶斯分类器、树增强朴素贝叶斯分类器2种贝叶斯网络信用评估模型的精度,用10层交叉验证在2个真实数据集上对贝叶斯网络信用评分模型进行了测试并与神经网络模型进行了比较.结果表明,贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.