企業(yè)信用評級模型

《企業(yè)信用評級模型》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

WORD格式可編輯?企業(yè)信用評級模專業(yè)知識分享

1WORD格式可編輯摘要　　社會信用體系是市場經(jīng)濟(jì)體制中的重要體系.當(dāng)前，社會中商業(yè)欺詐，制假售假，非法集資等現(xiàn)象屢禁不止,這些社會信用問題歸根到底都是企業(yè)信用的問題,因此,科學(xué)、合理、公正、權(quán)威的企業(yè)信用評級技術(shù)是當(dāng)前緊要的任務(wù)。本文通過研究研究國內(nèi)外企業(yè)信用評價方法，構(gòu)建了一個企業(yè)信用評價平臺。該平臺提供了信用評價,信用等級，信用反饋等功能，是一個功能非常完備的信用評價平臺。企業(yè)信用評級模型是評價企業(yè)信用等級的有效工具,隨著全世界債券市場的迅猛發(fā)展、抵押品價值降低及其波動性增加,該模型將會得到更為廣泛的關(guān)注,并將為我國各公司企業(yè)運(yùn)用數(shù)學(xué)模型度量企業(yè)信用評級提供了重要參考意義。 關(guān)鍵詞：數(shù)學(xué)模型企業(yè)信用等級企業(yè)信用評級模型信用評價專業(yè)知識分享

2WORD格式可編輯AbｓtrａctThesocialｃredit　sysｔemisanimpｏrｔaｎtｓyｓteｍ　ofmaｒｋeteconomysystｅm。Ａtpresent,comｍerｃiaｌfrauｄiｎthe　sociｅtｙofcｏunｔerfeｉt　goodｓ,　tｈｅphenomeｎonsucｈas?。閘legal　fｕnｄ-raisｉng,ｔheｓｏcｉａｌcreditprｏblｅmｓ　in?。鬶e　finaｌaｎaｌysisarｅｅnterprisecredｉt　proｂlems，therｅfore,　sｃientifiｃ，reasoｎａblｅ,fairandａｕthoritｙｏｆeｎterｐrｉsecreditrａｔiｎg　ｔeｃｈｎｏｌogy?。閟　thecuｒrｅntｕrｇent　task。Througｈｒeseaｒｃh　theenterpriseｃrｅditeｖaluａｔionmｅthodsbotｈａt(yī)homeaｎdａbroaｄ，ｔhis　paｐerbuilｄs　aenterｐrisｅ　crｅdit　evａlｕatｉｏn,　ｃrｅｄitratｉng,creｄitfeedbａｃk,ａｎｄothｅrfｕｎction，iｓa　verycomｐlete?。鉹edit　evaluatiｏnpｌatｆorm.Enterprisecｒeditｒａt(yī)ｉｎg　model　isａｎｅffectivｅtｏolfor　evaluatioｎ?。铮鎒nteｒｐｒiｓecrｅditratｉnｇwithｔherapid　deveｌopmentoｆbonｄ　marｋetsaroｕndthｅwoｒldthｅ　valuｅofcollatｅrａlreｄｕｃes　aｎd　iｔsvolatilｉtyiｎcrｅａses,　ｔｈe　modelwilｌbemｏrｅwidｅsprｅadatｔenｔｉon,　andthemathemaｔiｃalmodeｌfortheｃoｍpanｉｅsiｎｏuｒ　coｕntrｙ　enterｐrｉsｅusemetriceｎteｒprise專業(yè)知識分享

3WORD格式可編輯cｒｅdit?。騛tｉngｐroｖidｅs?。醤ｉmpｏｒtanｔｒeｆerenｃesigniｆｉｃaｎｃｅ.Kｅy　wｏrｄs:　matheｍatiｃａl　modｅl　Eｎｔerprise　ｃｒｅdiｔｒatingＥnteｒｐrisecreｄｉtrating　moｄeｌCrｅditevalｕａt(yī)ioｎ目錄摘要·················……························Abstraｃt··········································第一章緒論··········································11。1選題背景和意義·································１　１.２國內(nèi)外文獻(xiàn)綜述·································２　1。2。1專業(yè)知識分享

4WORD格式可編輯　國外研究現(xiàn)狀·······························2　1.2。２國內(nèi)研究現(xiàn)狀·······························51。3我國研究現(xiàn)狀及存在的問題························9第二章信用評級主要方法與模型綜述····················1０２。1專家評估法及其優(yōu)缺點·····························102.２　財務(wù)比率分析法及其優(yōu)缺點·························122。３多元判別分析(MＤA）及其優(yōu)缺點····················142.4　ｌoｇiｓtiｃ分析及其優(yōu)缺點··························１52.５非參數(shù)方法········································１７２。5.1聚類分析及其優(yōu)缺專業(yè)知識分享

5WORD格式可編輯點····························１72.５。2K近鄰判別及其優(yōu)缺點··························１９2。6Ｚ模型和Zeｔａ模型及其優(yōu)缺點······················19２。7　　基于投影尋蹤和最優(yōu)分割及其優(yōu)缺點·················21２。8模糊綜合評判法及其優(yōu)缺點·························262．8。1確定評語集····································２72．8。2　確定指標(biāo)權(quán)重集·······························2８2.8.3確定評判矩陣···································２82。8。4　模糊綜合評判···································29專業(yè)知識分享

6WORD格式可編輯2．8。５模糊合成算子的選擇·····························3１2。9遺傳算法優(yōu)化BＰ神經(jīng)網(wǎng)絡(luò)及其優(yōu)缺點·················3４２.１0基于有序分類和支持向量機(jī)方法及其優(yōu)缺點············392.10.１有序分類問題與內(nèi)置空間法·······················３９2.11?。?。5算法建立決策樹模型及其優(yōu)缺點··················4２2。１2kmv公司的kmv模型及其優(yōu)缺點·······················４４2。13ｊ.p摩根的ｃrｅdit?。恚錿rｉcs模型及其優(yōu)缺點············452。14麥肯錫公司的cｒｅｄitportfoliｏviｅｗ模型及其優(yōu)缺點···462.１５瑞士信貸銀行的cｒeｄitrisk+模型及其優(yōu)缺點··········４6第三章現(xiàn)代模型在中國應(yīng)用的缺陷性及改進(jìn)措施·············47專業(yè)知識分享

7WORD格式可編輯３．１對于現(xiàn)代模型的運(yùn)用還處于嘗試階段·····················473.2　改進(jìn)措施············································48第四章　對我國企業(yè)信用評級工作的建議·····················５0參考文獻(xiàn)················································５２專業(yè)知識分享

8WORD格式可編輯第一章緒論１.1項目背景及意義社會信用體系是市場經(jīng)濟(jì)體制中的重要體系。建立社會信用體系,是完善我國社會主義市場經(jīng)濟(jì)體制的客觀需要,是整頓和規(guī)范市場經(jīng)濟(jì)秩序的治本之策。當(dāng)前，社會中商業(yè)欺詐，制假售假,非法集資等現(xiàn)象屢禁不止，這些問題的源泉歸根到底是社會信用出現(xiàn)了問題,因此加快建設(shè)社會信用體系，打擊各種違法行為，處理各種信用問題不僅維護(hù)了正常的社會經(jīng)濟(jì)秩序，保護(hù)了群眾權(quán)益,也進(jìn)一步推進(jìn)了政府更好的履行其公共服務(wù)、經(jīng)濟(jì)調(diào)節(jié)、以及市場監(jiān)管的職能。市場經(jīng)濟(jì)條件下,社會信用體系由個人信用、政府信用、企業(yè)信用融合而成.其中個人信用是社會信用的基礎(chǔ);政府信用是社會信用的基石；而企業(yè)信用是最關(guān)鍵，最活躍和最具影響力的。因為企業(yè)信用不僅在一般交易市場被多方重視更重要的是在金融市場被投資人或者貸款人所關(guān)注。隨著市場經(jīng)濟(jì)的不斷發(fā)展，企業(yè)信用將成為合作與交易的先決條件,因此當(dāng)前我國企業(yè)信用體系建設(shè)是整個社會信用體系建設(shè)的重點．專業(yè)知識分享

9WORD格式可編輯當(dāng)前我國企業(yè)信用體系建設(shè)中存在的各種問題盡管表現(xiàn)形式各異，但從本質(zhì)上講,主要是企業(yè)信用信息的缺失，具體表現(xiàn)為企業(yè)信用信息的有效供給和有效需求的雙重不足。一方面,由于企業(yè)體系建設(shè)滯后，使資信評估機(jī)構(gòu)難以全面、準(zhǔn)確、快速地獲得企業(yè)信用信息,并通過評級技術(shù)確定其信用等級,即資信評估機(jī)構(gòu)難以有效地生產(chǎn)出能夠滿足市場需求的高品質(zhì)的信用信息產(chǎn)品，形成有效供給。另一方面,由于缺乏高品質(zhì)的，能夠滿足市場需要的信用信息產(chǎn)品,投資者或者企業(yè)在進(jìn)行投資或參與市場交易時,雖然對信用產(chǎn)品有需求，但不能轉(zhuǎn)化為現(xiàn)實需要,即潛在的需求不能轉(zhuǎn)化為有效需求。正是這種有效供給與有效需求之間的矛盾,互相制約,惡性循環(huán),嚴(yán)重制約了我國信用市場的健康有序發(fā)展.因此當(dāng)前我們迫切的主要任務(wù)就是建立一套完整，可靠的企業(yè)信用體系,而企業(yè)信用體系的核心就是要有一種企業(yè)信用等級必須能夠客觀公正地反映企業(yè)信用的真實狀況。因此，科學(xué)、合理、公正、權(quán)威的企業(yè)信用評級技術(shù)是成功地實施企業(yè)信用制度的關(guān)鍵所在,也是企業(yè)信用體系的緊要研究課題。1。２國內(nèi)外文獻(xiàn)綜述1.2.1國外信用評級研究概況國外信用評級的研究始于上世紀(jì)三十年代,分成四個階段。第一階段主要建模方法是基于傳統(tǒng)的比例分析方法,如“SC　"，＂LAPP”和財務(wù)比率分析方法.第二階段始于上世紀(jì)六十年代,這一階段的主要方法包括多元判別分析法（ＭＤA），Lｏｇistiｃ回歸模型以及聚類分析等非參數(shù)方法。該階段中關(guān)于財務(wù)信息與信用風(fēng)險關(guān)系的研究主要以線性判別為主,在線性判別模型中又以Ｂｅａver的單變量模型和Ａｌtmａn的多元模型影響最為廣泛。Beaｖeｒ?qū)?0多個企業(yè)的財務(wù)比率進(jìn)行了研究,運(yùn)用單變量分析法對企業(yè)的違約進(jìn)行研究,通過對樣木的分析找到破產(chǎn)企業(yè)與非破產(chǎn)企業(yè)單個財務(wù)比率的臨界點,并利用該臨界點對破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)進(jìn)行預(yù)測。Altｍan于１9６8年對“專業(yè)知識分享

10WORD格式可編輯家美國制造業(yè)企業(yè)的經(jīng)營情況進(jìn)行了典型判別分析,提出了著名的Z－Ｓｃｏｒｅ模型，1９7７年Altman本人又對Ｚ—Sｃore模型進(jìn)行了修正和擴(kuò)展，建立了ZETA評分模型。許多金融機(jī)構(gòu)用它預(yù)測信用風(fēng)險,并取得了一定的成效。Z—Sｃｏre模型和ZEＴA模型，都是以會計資料為基礎(chǔ)的多變量信用評分模型，由其計算的Z值可以反映貸款企業(yè)在一定時期內(nèi)的信用狀況(違約與不違約、破產(chǎn)與不破產(chǎn)),簡單實用，很快成為了預(yù)測企業(yè)違約或破產(chǎn)的主流分析方法,被應(yīng)用到世界上超過２5個國家.類似的研究還包括Ｈｏｒrｉgan，Poｇｕｅ和Solｄofsky,West，Hoｒｔon等。但是多變量區(qū)別分析法有著嚴(yán)格的假設(shè)條件,如多元正態(tài)分布、等協(xié)方差矩陣等等,針對這些問題，Ohlson構(gòu)建了假設(shè)條件較為寬松的Loｇiｓtｉc識別模型,并將其應(yīng)用于商業(yè)銀行信用風(fēng)險評估領(lǐng)域,Madaｌla采用Ｌｏgｉstic模型區(qū)別違約與非違約貸款申請人的信用狀況,Ｌiｂbｙ首次將主成份分析方法引入判別模型以克服變量多重共線性的問題。Zmijewsｋi則引入Ｐｒobit模型進(jìn)行類似的研究。專業(yè)知識分享

11WORD格式可編輯由于統(tǒng)計模型有著比較嚴(yán)格的假設(shè),同時線性技術(shù)又無法區(qū)分出隨機(jī)噪聲和非線性關(guān)系.因此依托迅速發(fā)展的計算機(jī)信息技術(shù)，運(yùn)用數(shù)據(jù)挖掘方法進(jìn)行建模在近年來的信用風(fēng)險評估領(lǐng)域得到了廣泛的關(guān)注.也就是評級模型發(fā)展的第三階段．該階段的主要方法是人工智能方法,主要建模方法包括專家系統(tǒng),人工神經(jīng)網(wǎng)絡(luò)、決策樹算法、支持向量機(jī)和遺傳算法等。Odoｍ首次將神經(jīng)網(wǎng)絡(luò)引入企業(yè)破產(chǎn)領(lǐng)域，用BP神經(jīng)網(wǎng)絡(luò)預(yù)測了財務(wù)困境,結(jié)果顯示神經(jīng)網(wǎng)絡(luò)模型優(yōu)于判別分析模型。隨后Tａm和Kiaｎg,Ｔrｉppi和Tｕrbaｎ，Coａt(yī)s和Ｆant,Belｌ等也都采用神經(jīng)網(wǎng)絡(luò)模型來對公司和銀行的財務(wù)危機(jī)進(jìn)行了預(yù)測，取得了一定的效果。KatiusciaＭａnzoni利用神經(jīng)網(wǎng)絡(luò)對歐洲債券的信用評級和降級概率進(jìn)行了研究。Makｏwsik是第一批倡導(dǎo)將決策樹方法應(yīng)用于信用評估的學(xué)者之一,之后Ｃarteｒ,Catleｔｔ以及Boyleeｔal也對決策樹方法用于信用評估的結(jié)果進(jìn)行了分析。ＴａeＫ.Ｓ,NａmｓiｋＣ和ＧunhｅｅL。三人則應(yīng)用決策樹技術(shù)研究破產(chǎn)預(yù)測。SｃhｅbｅschKB和SlｅekingR用由一組高維數(shù)據(jù)組成的向量描述申請者,從而利用非線性ＳVM對信用卡申請者進(jìn)行評級。Yong-ＣhanLｅe使用支持向量機(jī)方法預(yù)測公司的信用等級取得了較好的結(jié)果。Sheng—Tuｎ?。蘨a,Wｅissｏｒ　Shiue,Meng-HuahＨuanｇ利用支持向量技術(shù)對個人貸款信用評估問題進(jìn)行了研究。相對方法研究而一言，更多的研究集中在基于不同方法、不同類型模型之間的預(yù)測效果比較,這一部分的研究文獻(xiàn)非常豐富。Ａltｍan等發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)方法有時優(yōu)于線性判別方法,但由于神經(jīng)網(wǎng)絡(luò)有時過度訓(xùn)練產(chǎn)生了不合理的權(quán)重，從總體上看線性判別方法要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法．Aｌｔmaｎ在對神經(jīng)網(wǎng)絡(luò)法和判別分析法的比較研究中得出結(jié)論“專業(yè)知識分享

12WORD格式可編輯神經(jīng)網(wǎng)絡(luò)分析方法在信用風(fēng)險識別和預(yù)測中的應(yīng)用,并沒有實質(zhì)性的優(yōu)于線性判別模型"．Ｃｏｆｆｍａn對決策樹方法和判別分析進(jìn)行了比較,認(rèn)為兩者各有千秋。Ａltmaｎ和Kao在現(xiàn)金流/總負(fù)債、保留盈余/總資產(chǎn)、總負(fù)債／總資產(chǎn)、現(xiàn)金流／銷售收入等指標(biāo)下分別建立了較高復(fù)雜度的分類樹和較低復(fù)雜度分類樹，與ＤA比較優(yōu)劣,表明分類樹是一種很有前途的方法。MaｒｔiｎｅlliE,　CａrvalhoＡD,RｅzｅｎｄeＳ，Mａt(yī)ｉas?。翆Q策樹和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對比研究。Ｈui—Ｃhunｇ　Yｅh等運(yùn)用LDＡ,決策樹，神經(jīng)網(wǎng)絡(luò),以及ＬDA與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型分別對同一數(shù)據(jù)集進(jìn)行了信用風(fēng)險評估研究,結(jié)果顯示決策樹在四種方法中具有最高的分類準(zhǔn)確率，線性判別分析準(zhǔn)確率最低。第四階段始于上世紀(jì)末，這一階段主要是采用對信用風(fēng)險組合計量的方法,主要模型有1９95年KMV公司提出的信用監(jiān)測模型;1997年Ｊ.P。Mｏrgan銀行提出的信用度量術(shù)模型,同期麥肯錫公司提出的Crediｔ　ＰortｆｏliｏＶiｅw模型；以及之后穆迪評級公司提出的ＣreditCaｌｃ+模型，標(biāo)準(zhǔn)普爾提出的CｒedｉtＭodｅl和CreditPｒo模型等。1.2。2國內(nèi)信用評級研究概況國內(nèi)信用風(fēng)險評估方法研究主要是引進(jìn)國外模型或在其基礎(chǔ)上進(jìn)行改進(jìn),方法的進(jìn)展路線與國外大致相同，典型的研究成果如下:專業(yè)知識分享

13WORD格式可編輯陳靜首次在國內(nèi)運(yùn)用統(tǒng)計方法和計量模型進(jìn)行財務(wù)困境預(yù)警研究.陳瑜應(yīng)用一元和多元分析對13５家上市公司的財務(wù)狀況進(jìn)行了分類和預(yù)測.盧聲、任若恩等利用Fiｓｈer判別分析法對我國上市公司的財務(wù)困境進(jìn)行研究。施錫銼等人采用典型判別分析對1999年到200０年９月間的128家上市公司進(jìn)行了經(jīng)營失敗的預(yù)測研究。梁琪運(yùn)用主成份分析與判別分析相結(jié)合的方法預(yù)測企業(yè)財務(wù)困境。姜天和韓立巖以6個財務(wù)指標(biāo)作為輸入變量，使用Ｌｏgiｔiｃ模型建立了我國上市公司財務(wù)困境預(yù)測模型。唐春陽、馮宗憲運(yùn)用多元線性回歸方法,利用逐步回歸得到的5個指標(biāo)(分別是資產(chǎn)負(fù)債率、成木費(fèi)用利潤率、主營業(yè)務(wù)利潤率、全部資本化比率行業(yè)債務(wù)結(jié)構(gòu)）得到一個簡明的企業(yè)違約率測度模型。鄭建平采用概率統(tǒng)計方法構(gòu)建了個人信用評分模型,康世贏采用關(guān)聯(lián)分析法和模糊綜合評價的方法對個人信用評估進(jìn)行了研究，孫建政運(yùn)用Ｌogiｓtic方法對個人信用評估模型進(jìn)行了研究.張愛民等在借鑒Altmａn的多元Z值判定模型的基礎(chǔ)上，采用主成分分析的方法建立了財務(wù)預(yù)警模型；楊淑娥和徐偉剛采用主成分分析法，建立了Y分?jǐn)?shù)財務(wù)預(yù)警系統(tǒng)。龐素琳對106家上市公司進(jìn)行兩類模式分類,這兩類模式是指按照公司的經(jīng)營狀況分為“差”和“正常”兩個小組.對每一家上市公司，考慮其經(jīng)營狀況的4個主要財務(wù)指標(biāo):每股收益、每股凈資產(chǎn)、凈資產(chǎn)收益率和每股現(xiàn)金流量。仿真結(jié)果表明,Loｇisｔｉc回歸信用評價模型對總體１0６個樣本,判別準(zhǔn)確率達(dá)到9９.06％.宋冬梅，沈友娣也通過運(yùn)用Lｏｇｉstiｃ模型評價上市公司信用風(fēng)險,也取得了較好的效果.樊錳汪媛雛等人從中小企業(yè)信用評級方法的比較和選擇入手，以AHP分析法為核心，構(gòu)建多級模糊綜合評價模型,對中小企業(yè)信用狀況做出評價.張目,周宗放提出一種基于投影尋蹤和最優(yōu)分割的企業(yè)信用評級模型。該模型運(yùn)用投影尋蹤對樣本企業(yè)進(jìn)行信用綜合評分，將信用綜合得分由大到小排序,生成有序樣品序列;利用最優(yōu)分割法對有序樣品進(jìn)行聚類，得出明確的聚類結(jié)果;將最優(yōu)分割點對應(yīng)的信用綜合得分作為劃分信用等級的閾值，從而實現(xiàn)對樣木企業(yè)的信用評級。專業(yè)知識分享

14WORD格式可編輯人工智能方法中,王春峰等是國內(nèi)較早采用神經(jīng)網(wǎng)絡(luò)模型預(yù)測企業(yè)信用風(fēng)險狀況的學(xué)者。龐素琳等人對基于BＰ算法的信用風(fēng)險評價模型進(jìn)行了研究。陳雄華等、章忠志等也都各自利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了商業(yè)銀行信用風(fēng)險評估模型取得較好效果。吳沖等、梁裸和吳德勝分別利用模糊神經(jīng)網(wǎng)絡(luò)對我國企業(yè)信用風(fēng)險作了實證研究和分析。楊淑娥等構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型對上市公司的財務(wù)狀況進(jìn)行預(yù)測。李玉霜,張維將分類樹應(yīng)用于解決從業(yè)人員在進(jìn)行貸款５分類過程中分析判斷能力欠缺的問題中,實證分析表明決策樹方法比線性判別分析方法的準(zhǔn)確率高.張維,李玉霜對基于分類樹的商業(yè)銀行信貸分類的數(shù)據(jù)處理問題進(jìn)行了研究。姚靠華姚靠華等以上市公司作為研究對象,選取反映上市公司盈利能力、償債能力、營運(yùn)能力、成長能力和公司規(guī)模的17個財務(wù)指標(biāo),區(qū)別于傳統(tǒng)的建模方法,應(yīng)用決策樹技術(shù)建立了中國上市公司的財務(wù)困境預(yù)警系統(tǒng)。實證結(jié)果表明該系統(tǒng)具有較好的預(yù)測性，在該領(lǐng)域有著良好的應(yīng)用前景。吳德勝等人利用遺傳算法輔助優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練策略,建立了基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的信用評估模型.葉中行,余敏杰構(gòu)建了一種分類樹和遺傳算法相結(jié)合的信用風(fēng)險評估方法，先用分類樹方法按照定性變量分類,然后在每個葉結(jié)點上運(yùn)用遺傳算法按照定量變量分類。在個人信用評估方面,徐遠(yuǎn)純等利用DONALDＢRENSCHOＯLＯFIＮFORMＡＴIONANDCＯMPUTＥRSCIEＮCES(UNＩVERＳIＴY　ofＣALIＦOＲNIA。IRVINE)所提供的１986—專業(yè)知識分享

15WORD格式可編輯19９5年間的客戶信用卡數(shù)據(jù)庫,建立了信用卡欺詐風(fēng)險分析決策樹。馮鐵軍對基于遺傳算法的神經(jīng)網(wǎng)絡(luò)技術(shù)在個人信用評估中的應(yīng)用進(jìn)行了研究，沈翠華等人對基于支持向量機(jī)的個人信用評估技術(shù)進(jìn)行了研究,石慶眾、靳云匯則對多種個人信用評估技術(shù)在我國應(yīng)用進(jìn)行了比較研究。姜明輝、王歡、王雅林將分類樹與其它方法進(jìn)行了比較研究，分析了其對個人信用評估的實用性。魯為，王極提出了一利,改進(jìn)的ＩD3的決策樹算法(Ｅ—ID3),E-ＩD３算法使用一種基于“統(tǒng)計出局部最優(yōu)”的方法，獲得比較好的啟發(fā)式函數(shù)算法，并分析了E-ID3“算兩步,走一步”的思想。實驗證明，該優(yōu)化算法對于構(gòu)建決策樹具有很好的效率.陸秋,程小輝針對IＤ3算法的多值偏向問題，提出一種基于屬性相似度的、能夠避免多值偏向問題的ＩD3改進(jìn)算法。朱毅峰等在傳統(tǒng)決策樹模型的基礎(chǔ)上引入卡方檢測的方法,將個人信用評估過程中誤判好壞客戶的成本差異考慮在內(nèi),實證結(jié)果證明該精煉決策樹模型在個人信用評估應(yīng)用中可以提高判別壞客戶的正確率。龐素琳等對C5。0算法進(jìn)行了研究,并建立了基于Ｃ5．0算法的銀行個人信用評級模型,用來對德國某銀行的個人信貸數(shù)據(jù)進(jìn)行信用評級。鄭也夫?qū)?shù)據(jù)挖掘方法引入信用風(fēng)險預(yù)測問題中,全面比較決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法在上市公司信息風(fēng)險預(yù)測問題上的優(yōu)劣,得出決策樹具有良好的適用性。后來鄭也夫等以我國上市公司作為研究對象,以因財務(wù)狀況異常而被特別處理作為界定上市公司陷入財務(wù)困境的標(biāo)志，采用交叉驗證技術(shù)建立決策樹模型,并與Logｉstｉc和K最近鄰模型進(jìn)行了比較分析。實證結(jié)果表明決策樹模型能有效地預(yù)測上市公司的信用風(fēng)險，且適用性較好。專業(yè)知識分享

16WORD格式可編輯1．3我國研究現(xiàn)狀及存在的問題　目前，國內(nèi)已經(jīng)建立了一些評級系統(tǒng),作為加強(qiáng)企業(yè)信用管理、防范風(fēng)險的一項基礎(chǔ)工作和重要手段。但與國外同行業(yè)進(jìn)行對比,可以發(fā)現(xiàn)主要還存在以下幾個問題:(1）評級模型適用性較差評級模型是評級系統(tǒng)的重要技術(shù)基礎(chǔ),屬于金融領(lǐng)域內(nèi)的關(guān)鍵技術(shù),其開發(fā)研究需要結(jié)合統(tǒng)計分析、風(fēng)險計量、資產(chǎn)組合、期權(quán)定價等先進(jìn)理論和技術(shù)，而我國由于經(jīng)濟(jì)發(fā)展程度不高,同時整體研究水平還相對欠缺，故在評級模型的建設(shè)方面有待加強(qiáng)。因此必須結(jié)合經(jīng)濟(jì)發(fā)展的實際情況,充分考慮利率市場化進(jìn)程、企業(yè)財務(wù)欺詐現(xiàn)象、數(shù)據(jù)積累量不高、金融市場展不充分等現(xiàn)象，開發(fā)出適合自身特點的評級模型。(2)模型主要參數(shù)所需的數(shù)據(jù)不足　評級系統(tǒng)建設(shè)的核心資源是數(shù)據(jù)。近年來信用評級工作建立了基本數(shù)據(jù)庫和反映信用風(fēng)險特征的微觀指標(biāo)體系。但是,與評級法對數(shù)據(jù)的要求相比,現(xiàn)有的數(shù)據(jù)積累遠(yuǎn)遠(yuǎn)不夠，數(shù)據(jù)儲備嚴(yán)重不足目而且質(zhì)量不高、缺乏規(guī)范性,嚴(yán)重制約了評級系統(tǒng)的應(yīng)用和發(fā)展;為滿足建設(shè)評級系統(tǒng)需要的數(shù)據(jù)樣本，還需要大量而細(xì)致的數(shù)據(jù)積累工作,通過數(shù)據(jù)整合、挖掘等技術(shù)，形成有價值的信息，為建立相關(guān)模型奠定良好的基礎(chǔ)。專業(yè)知識分享

17WORD格式可編輯（3）評級支持工具和系統(tǒng)落后　原有的評級工具為簡單的EXCEL報表,屬于單機(jī)分散操作,只是簡單地進(jìn)行手工操作，不能實現(xiàn)網(wǎng)絡(luò)化操作與管理.評級結(jié)果只是簡單的ＥXCEＬ表格,數(shù)據(jù)的匯總程度、集中程度、共享性很低,同時也不利于對評級情況進(jìn)行有效的監(jiān)控。同時通過原有的評級工具采集的客戶資料也相對簡單,無法支持客戶評級數(shù)據(jù)的需要。評級系統(tǒng)應(yīng)與業(yè)務(wù)流程系統(tǒng)緊密結(jié)合，成為一個嵌入式的管理工具,最大限度地發(fā)揮監(jiān)管和決策支持的作用，實現(xiàn)企業(yè)評級、授信審批的全流程計算機(jī)管理。(4）評級指標(biāo)體系落后原有的評級指標(biāo)體系中存在與經(jīng)濟(jì)發(fā)展、企業(yè)發(fā)展不相適應(yīng)的指標(biāo)，比如指某些指標(biāo)權(quán)重太大、某些指標(biāo)己不能反映企業(yè)的特點、有些指標(biāo)設(shè)置較粗、某些指標(biāo)缺乏等.第二章信用評級主要方法與模型綜述2．１專家評估法　專家評估方法是指通過專家對影響企業(yè)經(jīng)營業(yè)績的有關(guān)經(jīng)營要素進(jìn)行分析評分,使信用定量化,然后求加權(quán)平均得出企業(yè)信用等級的一種方法。該方法依賴于專家主觀判斷，而且評級結(jié)果主要應(yīng)用于信貸決策。比較有代表性的專家評估法有“5C”，“５Ｐ＂，“ＬAPP”等方法。　　5C分析法中5C是指：品格、資本、能力，經(jīng)營環(huán)境、擔(dān)保品。專業(yè)知識分享

18WORD格式可編輯　　　品格主要是評價客戶的品行是否誠實可信、其償還貸款的主動性如何。對于公司而言，品格是指其主要領(lǐng)導(dǎo)人的經(jīng)營能力與經(jīng)營作風(fēng)，公司文化及其倫理,也包括企業(yè)在同行業(yè)中的信譽(yù)、地位等．資本是反映企業(yè)資金實力的一個重要方面,也間接反映了企業(yè)的資金積累情況。資本充足、資金積累多,則企業(yè)信用狀況就好。能力主要包括經(jīng)濟(jì)上的借款與償還能力和法律上的借款能力。從經(jīng)濟(jì)上看,信用評價應(yīng)著重評價企業(yè)的償債能力、盈利能力和營運(yùn)能力,與財務(wù)比率分析法所強(qiáng)調(diào)的因素完全一致，從法律上看,信用評價應(yīng)著重評價企業(yè)是否具備法定的資格和權(quán)利，通過對政府法規(guī)以及公司章程的調(diào)查分析可以獲得此類信息.　經(jīng)營環(huán)境是企業(yè)的內(nèi)在壞境和所處的外在環(huán)境。內(nèi)在環(huán)境主要是指企業(yè)的經(jīng)營特點、經(jīng)營方式、技術(shù)設(shè)備狀況、勞資關(guān)系等企業(yè)自身能夠控制的方面;企業(yè)外在環(huán)境主要是指國家經(jīng)濟(jì)狀況、行業(yè)競爭狀況、行業(yè)發(fā)展趨勢、市場狀況等．環(huán)境條件有利,則信用程度將提高。擔(dān)保品是指企業(yè)可以用為信用擔(dān)保〔如抵押)的物品。擔(dān)保品豐富且價值良好,則信用相對就高，信用一旦發(fā)生危機(jī)則發(fā)生損失的可能性也相應(yīng)少。但在評價時也應(yīng)注意擔(dān)保品的所有權(quán)、擔(dān)保品的價值狀況等。５Ｐ分析法中５P是指：個人因素、資金用途因素、還款來源因素、債權(quán)保障因素,企業(yè)前景因素?！　€人因素主要分析企業(yè)經(jīng)營者品德、能力,是否誠實守信,還款意愿等。專業(yè)知識分享

19WORD格式可編輯　　資金用途因素主要包括生產(chǎn)經(jīng)營、還款繳稅、替代股權(quán)等三個方面.還款來源因素主要有兩個來源一是現(xiàn)金流量,二是資產(chǎn)變現(xiàn)。債權(quán)保障因素主要包括內(nèi)部保障和外部保障兩個方面.　　　企業(yè)前景因素主要分析借款企業(yè)的發(fā)展前景,包括產(chǎn)業(yè)政策、競爭能力等?！　ＡPＰ法是以Ｌｉquidｉｔy（流動性)、Actｉviｔy(活動性）、profiｔabｉlｉty（盈利性)、Ｐotenｔｉaｌitieｓ(潛力)四個詞的第一個字母命名，從這四個方面評價企業(yè)的信用。專家評估方法的主要缺陷是一個主觀性問題,該方法的因素權(quán)重完全取決于專家的主觀判斷，衡量標(biāo)準(zhǔn)因人而異,導(dǎo)致結(jié)果大相徑庭?；蛘哒f,這種方法會使專家在進(jìn)行評判時造成思維定勢,人為因素致使評判結(jié)果有失公允。這一方法的特點是主觀定性判斷,主要依靠專家的專業(yè)判斷和經(jīng)驗綜合各個方面的情況對企業(yè)的信用進(jìn)行評估,但是不可避免的主觀性因素會對評級過程產(chǎn)生影響，由于是人工評級,其成本較高，評級周期長,在效率上，無法滿足企業(yè)對信用評級的要求.2.2　財務(wù)比率分析法專業(yè)知識分享

20WORD格式可編輯該方法在1966年被引入預(yù)測企業(yè)破產(chǎn)領(lǐng)域,經(jīng)過多年的發(fā)展形成了一系列財務(wù)比率分析方法，總體上講就是對企業(yè)各項財務(wù)指標(biāo)作一個全面、系統(tǒng)和綜合的分析,從而對企業(yè)的經(jīng)營狀況和財務(wù)狀況進(jìn)行剖析、解析和評價。在實際應(yīng)用中這是一種簡單的加權(quán)方法，即給每個財務(wù)比率確定相應(yīng)的權(quán)重和計算標(biāo)準(zhǔn)，將企業(yè)與標(biāo)準(zhǔn)值進(jìn)行對比后給出個體的得分,然后加權(quán)求和得出該企業(yè)的信用得分并進(jìn)行等級劃分。這類方法的主要代表有杜邦財務(wù)分析體系和沃爾比重評分法。杜邦財務(wù)分析體系的基本原理是將財務(wù)指標(biāo)作為一個系統(tǒng),將財務(wù)分析與評價作為一個系統(tǒng)工程,全面評價企業(yè)的償債能力、營運(yùn)能力、盈利能力及其相互之間的關(guān)系，在全面財務(wù)分析的基礎(chǔ)上進(jìn)行全面評價,使評價者對公司的財務(wù)狀況有深入而相互聯(lián)系的認(rèn)識,有效地進(jìn)行決策.其基本特點是以凈值報酬率為龍頭，以資產(chǎn)凈利潤率為核心，將償債能力、資產(chǎn)營運(yùn)能力、盈利能力有機(jī)結(jié)合起來,層層分解,逐步深入,構(gòu)成了一個完整的分析系統(tǒng)，全面、系統(tǒng)、直觀地反映了企業(yè)的財務(wù)狀況。沃爾比重法選定７項財務(wù)比率作為分析指標(biāo),即:流動比率、自有資產(chǎn)對固定資產(chǎn)比重、自有資產(chǎn)對負(fù)債比率、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、自有資本周轉(zhuǎn)率。將指標(biāo)的行業(yè)先進(jìn)水平作為標(biāo)準(zhǔn)值，并將指標(biāo)用線性關(guān)系結(jié)合起來，分別給定各自的分?jǐn)?shù)比重,通過實際值與標(biāo)準(zhǔn)比率的比較，確定各項指標(biāo)的得分及總體指標(biāo)的累積分?jǐn)?shù),從而得出企業(yè)財務(wù)狀況的綜合評價,繼而確定其信用等級。財務(wù)比率分析法克服了要素分析法的主觀性使得評價獨立于評估人員的主觀努力并使計算機(jī)的使用成為可能，但是其指標(biāo)權(quán)重和與標(biāo)準(zhǔn)分對比后得出的財務(wù)比率得分有明顯的主觀性，使得評價結(jié)果與企業(yè)的實際情況有很大的出入。專業(yè)知識分享

21WORD格式可編輯２.３多元判別分析（MDＡ　）　　多元判別分析（MＤA)是除美國外的其它國家使用最多的統(tǒng)計方法.多元線性判別分析法,可以具體分為一般判別分析（不考慮變量篩選)和定量資料的逐步判別分析（考慮變量篩選）.我國在1９９3年７月1日起正式實施與國際會計準(zhǔn)則基本適應(yīng)的、統(tǒng)一的《企業(yè)會計準(zhǔn)則》，由此奠定了企業(yè)信用評估研究的基礎(chǔ)和前提，隨著國內(nèi)會計人員的業(yè)務(wù)水平(如對準(zhǔn)則的掌握、理解和應(yīng)用水平等）和會計報表水平的不斷提高,所產(chǎn)生的會計報表開始基本符合準(zhǔn)則要求，因此，近年來的財務(wù)數(shù)據(jù)已具備建立企業(yè)信用判別模型的基本條件．應(yīng)用多元判別分析(MＤA）有以下三個主要假設(shè)：（1)變量數(shù)據(jù)是正態(tài)分布的;（２)各組的協(xié)方差是相同的;(3)每組的均值向量、協(xié)方差矩陣、先驗概率和誤判代價是已知的．多元判別分析（MDＡ)的優(yōu)點:對財務(wù)變量的正態(tài)假設(shè)已成為通常慣例.由于線性判別函數(shù)（LDA)在實際使用中是最方便的，如在距離判別和貝葉斯判別中,在正態(tài)總體等協(xié)方差時,均導(dǎo)出一個線性判別函數(shù)，所以一般只研究線性判別函數(shù)。在滿足上述3個假設(shè)的條件下，該判別函數(shù)使誤判概率達(dá)最小。多元判別分析(MDＡ)的不足之處:多元判別分析(MＤA)要求樣本數(shù)據(jù)服從正態(tài)分布和等協(xié)方差,而現(xiàn)實中大量數(shù)據(jù)并不服從這些假定。專業(yè)知識分享

22WORD格式可編輯2。4?。靜gistｉc分析loｇiｓtic分析是基于累積概率的判別方法,該方法對包括有二值相關(guān)的變量比較適用,和ＭＤＡ比較,Cｏllｉnｓ和Grｅen宣稱Logｉsｔic分析方法能夠降低第一類錯誤(即將破產(chǎn)的企業(yè)判為非破產(chǎn)的企業(yè)),但不能顯著地提高總體判別的準(zhǔn)確性,此外他們還指出MDA對于模型假設(shè)錯誤有著很強(qiáng)的魯棒性。如果第一類錯誤的代價不是特別巨大,比之于ＭDA模型,Logｉsｔic分析方法帶來的復(fù)雜的計算是不值得的．Ｃhesser分析模型就是loｇｉstic分析方法一個很有代表性的判別模型.　　Logiｓtic回歸分析方法也是目前為止應(yīng)用最為廣泛的一種信用評分模型。197７年，Martin采用一系列財務(wù)比率變量來預(yù)測公司破產(chǎn)及違約概率,建立了Loｇｉｓｔｉc回歸模型,并逐漸成為衡量公司信用風(fēng)險的一種常用方法，它對于誤差項沒有正態(tài)分布要求,對判別虛擬變量問題有良好的效果，在違約概率計算中有很好的適用性,還可以降低犯第一類錯誤的概率。Logiｓtｉc模型適用于因變量是非連續(xù)的且為二分類選擇模式，目的是找出被解釋變量與一組自變量之間的線性關(guān)系,核心思想是將這些自變量擬合成一個可以預(yù)測違約概率的被解釋變量,即違約概率。我們知道,一般的線性回歸模型如下：　　　　　專業(yè)知識分享

23WORD格式可編輯若對分類因變量直接擬合違約事件發(fā)生的概率,自然而然地我們想到了下面形式的回歸模型:　該模型等式右邊取值范圍為,而左邊作為違約概率，其取值范圍為,因此該模型存在漏洞,為了更加合理，１９7０年,Cｏx引入了人口學(xué)領(lǐng)域的Ｌｏgiｔ(LogｉｔＴrａｎsfｏrm）,成功對模型進(jìn)行優(yōu)化,得到了Logistic模型:　　　也即：　　　Logit變換導(dǎo)致了模型中的參數(shù)含義比較復(fù)雜,但是實用性得到了提高,這里將一些基本概念解釋如下：（1）其中為企業(yè)公司的概率,為信用風(fēng)險評定中的指標(biāo)變量,為技術(shù)系數(shù),可以通過極大似然法求解。通過樣本回歸估計出系數(shù)后，一可計算出概率,將其歸納為相應(yīng)的信用等級。(２）優(yōu)勢比(oddｓ):分析中常常會把某種情況發(fā)生的概率與不發(fā)生的概率的比稱為比值,即:.兩個比值之比稱為優(yōu)勢比（或比值比,ＯddsRａｔio,簡稱ＯR）,因此OR是否大于１意為兩種情況概率情況的比較：當(dāng)時,則專業(yè)知識分享

24WORD格式可編輯當(dāng)時，則當(dāng)時，則缺點：Logiｓtic回歸模型不僅對中間區(qū)域的差別敏感性較強(qiáng)，而且當(dāng)樣本點完全分離時，模型參數(shù)的最大似然估計可能不存在。因此在正態(tài)的情況下不滿足其判別正確率高于判別分析法的結(jié)果．另外該方法對中間區(qū)域的判別敏感性較強(qiáng)，導(dǎo)致判別結(jié)果的不穩(wěn)定。2。5非參數(shù)方法(Nｏｎ—paraｍeｔricＭethod）2.5.1聚類分析（ClusterAｎａlysiｓ）聚類分析的基本思想是認(rèn)為我們所研究的樣本或指標(biāo)（變量)之問存在著不同程度的相似性.于是根據(jù)一批樣本的多個觀測指標(biāo),找出一些能夠度量樣本或指標(biāo)之問相似程度的統(tǒng)計量，以這些統(tǒng)計量為劃分類型的依據(jù)，把一些相似程度較大的樣本或指標(biāo)聚為一類,把另外一些彼此之問相似程度較大的樣本又聚為另一類,關(guān)系密切的聚合到一個小的分類單位,關(guān)系疏遠(yuǎn)的聚合到一個大的分類單位，直到把所有樣本或指標(biāo)都聚合完畢,形成一個由小到大的分類系統(tǒng)。常見的聚類分析方法有層次聚類和一均值聚類。其核心思想是:給定一個包含個數(shù)據(jù)對象的數(shù)據(jù)庫,以及要生成的簇的數(shù)目,隨機(jī)選取個對象作為初始的專業(yè)知識分享

25WORD格式可編輯個聚類中心,然后計算剩余各個樣本到每一個聚類中心的距離,把該樣本歸到離它最近的那個聚類中心所在的類,對調(diào)整后的新類使用平均值的方法計算新的聚類中心，如果相鄰兩次的聚類中心沒有任何變化，說明樣本調(diào)整結(jié)束且聚類平均誤差準(zhǔn)則函數(shù)已經(jīng)收斂.在每次迭代中都要考察每個樣本的分類是否正確,若不正確,就要調(diào)整,在全部樣本調(diào)整完后，再修改聚類中心，進(jìn)入下一次迭代.如果在一次迭代算法中,所有的樣本被正確分類,則不會有調(diào)整，聚類中心也不會有任何變化。在算法迭代的過程中準(zhǔn)則函數(shù)的值在不斷減小,最終收斂至一個固定的值。總之,一均值聚類是一個反復(fù)迭代的分類過程。在聚類過程中，樣本所屬的類會不斷改變,直到最終達(dá)到穩(wěn)定為止。　　　聚類分析屬于非參數(shù)統(tǒng)計方法.信用風(fēng)險分析中它根據(jù)由借款人的指標(biāo)計算出的在樣本空間的距離,這種方法一個主要優(yōu)點是不要求知道總體的具體分布;可對變量采用名義尺度，次序尺度，因此該方法可用于定性研究，也可對現(xiàn)實中的無法用數(shù)值精確表述的屬性進(jìn)行分析。這很適用于信用風(fēng)險分析中按照定量指標(biāo)（盈利比、速動比等）和定性指標(biāo)（管理水平、信用等級等)，對并不服從一定分布特性的數(shù)據(jù)信息進(jìn)行分類.例如，Luｎdy運(yùn)用該方法對消費(fèi)貸款申請者的典型信用申請數(shù)據(jù)及年齡、職業(yè)、婚否、居住條件進(jìn)行處理分成6類并對每類回歸評分，它不僅將借款人進(jìn)行有效的分類而且還幫助商業(yè)銀行確定了貸款方式策略.專業(yè)知識分享

26WORD格式可編輯優(yōu)點：聚類分析具有不要求樣本數(shù)據(jù)服從具體分布、可對變量采用名義尺度和次序尺度等優(yōu)點，適于信用風(fēng)險分析中按照定量指標(biāo)和定性指標(biāo)對并不服從一定分布特性的數(shù)據(jù)信息分類的要求.我國信用數(shù)據(jù)表現(xiàn)出明顯的非正態(tài)分布特征,因而將聚類分析應(yīng)用于我國企業(yè)信用評級具有較強(qiáng)的針對性和適應(yīng)性;不足之處:我國信用數(shù)據(jù)又具有高維性，當(dāng)數(shù)據(jù)維數(shù)較高時,聚類分析會遇到很大的困難。因此，聚類分析應(yīng)用于企業(yè)信用評級的基本思路目前仍然是基于“降維”的思路，即首先采用評分法、因子分析法等對樣本企業(yè)進(jìn)行信用評分，然后，運(yùn)用系統(tǒng)聚類、—均值聚類等算法對信用得分序列進(jìn)行聚類，從而獲得企業(yè)信用評級結(jié)果.然而，在實際應(yīng)用過程中,系統(tǒng)聚類、—均值聚類等算法并不能給出明確的信用等級閾值，這給模型的檢驗和推廣帶來了困難。2.5.2　K近鄰判別（Ｋ　NｅarｅstNｅigｈbｏｒ）近鄰判別(K　Nearest　Nｅigｈboｒ），簡稱KNN,是另一種非參數(shù)方法，它在一定距離概念下按照若干定量變量從樣本中選取與確定向量距離最短個樣本為一組，適用于初始分布和數(shù)據(jù)采集范圍限制較少和情況.另外，ＫNN通過將變量在樣本整體范圍內(nèi)分為任意多決策區(qū)間,而近似樣本分布.Tam將之用于信用風(fēng)險分析,取馬氏距離，從流動性、盈利性、資本質(zhì)量角度選出的19個變量指標(biāo),對樣本分類，經(jīng)比較,其分類結(jié)果的準(zhǔn)確性不如LＤA,Logｉｓｔiｃｉ。以及神經(jīng)網(wǎng)絡(luò)。原因在于在同樣的樣本容量下,若對具體問題的確存在特定的參數(shù)模型并可能找出時,非參數(shù)方法不及參數(shù)方法好.2.6Z模型和Zeta模型以模型和Zeta模型為代表的系列統(tǒng)計判別方法目前仍然是西方國家商業(yè)銀行對客戶信用等級評定的重要模型之一．專業(yè)知識分享

27WORD格式可編輯模型（Ａltman,１96８)的建立過程包括四步：(1)選取一組反映借款人財務(wù)狀況和還本付息能力的財務(wù)比率;(２)從銀行過去的貸款資料中分正常和違約兩類收集資料;（3）確定每一比率的權(quán)重,將每一比率乘以相應(yīng)權(quán)重,然后相加，得到分值;（4)對所選的樣本進(jìn)行Z值分析，得出衡量貸款風(fēng)險度的Z值或值域用于衡量信貸風(fēng)險。Altman１９68年確立的分辨函數(shù)為：　　　　　Z=0.0１２*Ｘ１＋０。0１4*Ｘ２＋0．033*X3+0。00６＊X4+0.９９9＊X５（1）公式（1）中X1為流動資金/總資產(chǎn),X2為留存收益/總資產(chǎn),Ｘ3為息稅前收益／總資產(chǎn)，X4為股權(quán)市值／總負(fù)債賬面值,X5為銷售收入/總資產(chǎn)。Aｌｔmａn經(jīng)過統(tǒng)計分析和計算最后確定了借款人違約的臨界值Zo=2。675，如果Z〈2。67５，借款人被劃入違約組;反之,如果Z〉2.6７５,則借款人被劃為非違約組．當(dāng)1。81〈Z<2。99時，此時的判斷失誤較大,稱該區(qū)域為未知區(qū)(zｏne　ofignoｒancｅ)或稱灰色區(qū)域(grayarｅa）。Zeｔa模型(AltｍaｎＨaldeｍanNａrａｙａman　1９７７)對原始Z模型進(jìn)行了重大修正和提升,原來的五個指標(biāo)變?yōu)槠邆€.這七個指標(biāo)分別代表企業(yè)短期贏利性、收益的保障、長期贏利性、流動性和規(guī)模等特征．Ａltman應(yīng)用世界著名評級機(jī)構(gòu)如標(biāo)準(zhǔn)普爾、穆迪等的評級結(jié)果，與值的結(jié)果進(jìn)行對比,發(fā)現(xiàn)兩者具有很強(qiáng)的相關(guān)性,實證顯示值模型作為信用評級的方法具有較強(qiáng)的有效性.專業(yè)知識分享

28WORD格式可編輯其間,也有學(xué)者對值模型的應(yīng)用提出了異議.Ｍoriaｒｉty曾經(jīng)應(yīng)用多維圖解計算法（MultｉdｉｍeｎｓiｏnaｌGｒａphics）與值模型進(jìn)行比較,認(rèn)為Altmａn模型并不能很好判別破產(chǎn)和非破產(chǎn)企業(yè).Alｔman對此回應(yīng)為:值模型僅僅適用于制造型企業(yè)，而不是用于非制造型企業(yè),Mｏriａｒiｔy所提供的樣本應(yīng)該用Zeta模型來預(yù)測,經(jīng)分析Ａlｔｍan認(rèn)為Ｚeta模型所得的結(jié)論比Ｍoｒiarity所得的結(jié)論更精確?！≈的Ｐ驮诎l(fā)展中得到不斷的修正,由于其方法易于掌握和控制,實證效果較為理想,20世紀(jì)９0年代該模型已逐漸商業(yè)化,各國紛紛在值模型和Zeta模型的基礎(chǔ)上推出適合本國、本地區(qū)的判別模型,效果比較理想,取得較大的經(jīng)濟(jì)效益。模型和Zｅta模型存在的主要問題是:1.兩個模型都依賴于財務(wù)報表的賬面數(shù)據(jù),而忽視日益重要的各項資本市場指標(biāo)，這就必然削弱預(yù)測結(jié)果的可靠性和及時性。2．由于模型缺乏對違約和違約風(fēng)險的系統(tǒng)認(rèn)識,理論基礎(chǔ)比較薄弱,從而難以令人信服。3.兩個模型都假設(shè)在解釋變量中存在著線性關(guān)系,而現(xiàn)實的經(jīng)濟(jì)現(xiàn)象是非線性的,因而也削弱了預(yù)測結(jié)果的準(zhǔn)確程度,使得違約模型不能精確地描述經(jīng)濟(jì)現(xiàn)實。４.兩個模型都無法計量企業(yè)的表外信用風(fēng)險，另外對某些特定行業(yè)的企業(yè),如公用企業(yè)、財務(wù)公司、新公司以及資源企業(yè)也不適用,因而它們的使用范圍受到較大限制。2.７基于投影尋蹤和最優(yōu)分割專業(yè)知識分享

29WORD格式可編輯運(yùn)用投影尋蹤對樣本企業(yè)進(jìn)行信用綜合評分，將信用綜合得分由大到小排序,生成有序樣品序列；利用最優(yōu)分割法對有序樣品進(jìn)行聚類，得出明確的聚類結(jié)果;將最優(yōu)分割點對應(yīng)的信用綜合得分作為劃分信用等級的閾值，從而實現(xiàn)對樣本企業(yè)的信用評級．投影尋蹤(PｒojectioｎPursuit，PP)是一種直接由樣本數(shù)據(jù)驅(qū)動的探索性數(shù)據(jù)分析方法，特別適用于分析和處理非線性、非正態(tài)的高維數(shù)據(jù)，其基本思想是把高維數(shù)據(jù)投影到低維子空間上，尋找出能反映原高維數(shù)據(jù)的結(jié)構(gòu)或特征的投影，以達(dá)到研究分析高維數(shù)據(jù)的目的，已成功應(yīng)用于信用評價、水資源評價、環(huán)境監(jiān)測、災(zāi)情評估等諸多領(lǐng)域。最優(yōu)分割法是對有序樣品進(jìn)行聚類的一種統(tǒng)計方法，具有多指標(biāo)聚類、不破壞樣品原有順序、分割界限明確等特點，并能夠根據(jù)定義的目標(biāo)函數(shù)確定較優(yōu)分類數(shù),已廣泛應(yīng)用于經(jīng)濟(jì)分析、環(huán)境監(jiān)測、地質(zhì)勘探、氣象統(tǒng)計預(yù)報等諸多領(lǐng)域.基于投影尋蹤和最優(yōu)分割的企業(yè)信用評級模型構(gòu)建：對于多分類的企業(yè)信用評級問題,設(shè)有個企業(yè)組成訓(xùn)練樣本集,企業(yè)信用評級指標(biāo)集,為訓(xùn)練樣本在指標(biāo)下的指標(biāo)值。構(gòu)建步驟如下:步驟1.指標(biāo)值的歸一化處理。為消除各指標(biāo)的量綱,統(tǒng)一各指標(biāo)的變化范圍和方向，須對指標(biāo)進(jìn)行極值歸一化處理。　對于成本型指標(biāo)，　(2）專業(yè)知識分享

30WORD格式可編輯對于效益型指標(biāo),令(3)式（２)~(3）中,，分別為第個指標(biāo)的最大值和最小值。對于固定型指標(biāo)，即指標(biāo)值越接近某一固定值越好的指標(biāo),有　(４）式中，為第個指標(biāo)的最佳穩(wěn)定值.步驟2.構(gòu)造信用評分函數(shù)和投影指標(biāo)函數(shù)。方法就是把維數(shù)據(jù)綜合成以為投影方向的一維投影值　　　　　　(５）式中,為單位長向量。近似刻畫了樣本企業(yè)的信用狀況,投影值越低,信用風(fēng)險越高，則稱式(5）為樣本企業(yè)的信用評分函數(shù),為樣本企業(yè)的信用綜合得分。方法在綜合時，要求的散布特征應(yīng)為:局部投影點盡可能密集，最好凝聚成若干個點團(tuán)，而在整體上投影點團(tuán)之間盡可能散開.由此，投影指標(biāo)函數(shù)可構(gòu)造為　　　　　　(6)式中,為的標(biāo)準(zhǔn)差，為的局部密度,即專業(yè)知識分享

31WORD格式可編輯　　　　　(7)　　(8）其中，為的均值;為求局部密度的窗口半徑，它的選取既要使包含在窗口內(nèi)的投影點的平均個數(shù)不太少，避免滑動平均偏差太大,又不能使它隨著的增大而增加太快,一般可取值為0。1;點間距離;為單位階躍函數(shù)，當(dāng)時其函數(shù)值為０,當(dāng)時其函數(shù)值為1。步驟3.優(yōu)化投影指標(biāo)函數(shù).當(dāng)樣本集給定時,投影指標(biāo)函數(shù)只隨投影方向的變化而變化.不同的投影方向反映不同的數(shù)據(jù)結(jié)構(gòu)特征，最佳投影方向就是最大可能暴露高維數(shù)據(jù)某類特征結(jié)構(gòu)的投影方向.通過求解投影指標(biāo)函數(shù)最大化問題可估計出最佳投影方向,即　　　　　　(9)式(9)所設(shè)定的問題式一個以為優(yōu)化變量的復(fù)雜非線性優(yōu)化問題,常規(guī)優(yōu)化方法較難處理。模擬生物優(yōu)勝劣汰規(guī)劃與群體內(nèi)部染色體信息交換機(jī)制的實碼加速遺傳算法(Ｒｅａl　Coｄed專業(yè)知識分享

32WORD格式可編輯ＡcceleraｔingＧeｎeｔiｃAlgorｉthm，RAGA)是一種通用的全局優(yōu)化方法，用它來求解該問題則十分簡便而有效.步驟4.生成有序樣品序列，運(yùn)用最優(yōu)分割法進(jìn)行聚類。將步驟３估計出的最佳投影方向代入式(5)后可得訓(xùn)練樣本的信用綜合得分。將由大到小排序,生成有序樣品序列,樣品依次為,,···,。由式(1)到(7）計算出所有的最小目標(biāo)函數(shù)　　　(10）繪制目標(biāo)函數(shù)隨分類數(shù)的變化曲線，結(jié)合企業(yè)信用評級的實際需求,取該曲線拐彎處的某一值為較優(yōu)分類數(shù).根據(jù)較優(yōu)分類數(shù)和最小目標(biāo)函數(shù),按照第２節(jié)步驟（3）中的分類方法,即可獲得訓(xùn)練樣本的聚類結(jié)果。進(jìn)一步將各最優(yōu)分割點對應(yīng)的信用綜合得分作為劃分信用等級的閾值，從而劃分出數(shù)量與較優(yōu)分類數(shù)相同的信用等級,并實現(xiàn)對訓(xùn)練樣本的信用評級。步驟　5。對新樣本進(jìn)行信用評級．對于一個新的測試樣本，首先,運(yùn)用式(２）~（4)對測試樣本的信用評級指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，特別地，當(dāng)測試樣本的第個指標(biāo)值在訓(xùn)練樣本指標(biāo)值區(qū)間內(nèi)時，即為歸一化處理.然后，由步驟3估計出的最佳投影方向和式(5),計算得出測試樣本的信用評級綜合得分。根據(jù)信用綜合得分的大小和步驟４劃分出的信用等級，即可確定測試樣本所屬的信用等級。優(yōu)點:運(yùn)用投影尋蹤對樣本企業(yè)進(jìn)行信用綜合評分,將信用綜合得分由大到小排序,專業(yè)知識分享

33WORD格式可編輯生成有序樣品序列;利用最優(yōu)分割法對有序樣品進(jìn)行聚類，得出明確的聚類結(jié)果;將最優(yōu)分割點對應(yīng)的信用綜合得分作為劃分信用等級的閾值,從而克服了系統(tǒng)聚類、K-　均值聚類等算法不能給出明確的信用等級閾值的不足,由此,使得模型具有了可檢驗性和推廣性。該模型能夠較好的處理非正態(tài)、高維數(shù)的信用數(shù)據(jù),得出的信用等級閾值客觀、明確、合理,其中,較優(yōu)分類數(shù)的選取具有一定靈活性,從而為企業(yè)信用評級提供了便利.應(yīng)用實例證明了該模型的可行性和有效性。投影尋蹤方法(proｊeｃｔionpuｒsuｉtPP）主要用于分析和處理高維觀測數(shù)據(jù),尤其是非正態(tài)非線性高維數(shù)據(jù)，其基本思想是:利用計算機(jī)技術(shù),把高維數(shù)據(jù)通過某種組合,投影到低維(１~３維)子空間上,并通過極大化(或極小化）某個投影指標(biāo),尋找出能反映原高維數(shù)據(jù)結(jié)構(gòu)或特征的投影，在低維空問上對數(shù)據(jù)結(jié)構(gòu)進(jìn)行分析，達(dá)到研究和分析高維數(shù)據(jù)的目的。投影尋蹤方法的特點，主要可以歸納為以下幾點：（1）成功的克服高維數(shù)據(jù)的“維數(shù)禍根＂所帶來的嚴(yán)重困難,這是因為它對數(shù)據(jù)的分析是在低維了空問上進(jìn)行的,因為高維數(shù)據(jù)投影到1～３維的子空間后,數(shù)據(jù)點就非常密集,已足以發(fā)現(xiàn)數(shù)據(jù)在投影空問中的結(jié)構(gòu)或特征．（２)投影尋蹤方法可以對與數(shù)據(jù)結(jié)構(gòu)和特征有關(guān)的信息變量都予以保留,而將與數(shù)據(jù)結(jié)構(gòu)和特征無關(guān)的或關(guān)系很小的變量排除。專業(yè)知識分享

34WORD格式可編輯(3)投影尋蹤方法為使用一維統(tǒng)計方法解決高維問題開辟了途徑。因為投影尋蹤方法可以將高維數(shù)據(jù)投影到一維了空問上,再對投影后的一維數(shù)據(jù)進(jìn)行分析，比較不同一維投影的分析結(jié)果,找出好的投影。(4）投影尋蹤方法與其他非參數(shù)方法一樣可以用來解決某些非線性問題。PP問題雖然是以數(shù)據(jù)的線性投影為基礎(chǔ)，但它找的是線性投影中的非線性結(jié)構(gòu)，因此它可以用來解決一定程度的非線性問題，如多元非線性回歸．２。8模糊綜合評判法模糊綜合評判法是利用模糊集理論進(jìn)行評價的一種方法,具體地說，該方法是應(yīng)用模糊關(guān)系合成的原理，從多個因素對被評判事務(wù)隸屬等級狀況進(jìn)行綜合性評判的一種方法。模糊綜合評判法不僅可對評價對象按綜合分值的大小進(jìn)行評價和排序,而且還可根據(jù)模糊評價集上的值按最大隸屬度原則評定對象所屬的等級。這就克服了傳統(tǒng)數(shù)學(xué)方法結(jié)果單一性的缺陷,結(jié)果包含的信息量豐富。這種方法簡易可行，在一些用傳統(tǒng)觀點看來無法進(jìn)行數(shù)量分析的問題上，顯示了它的應(yīng)用前景,它很好地解決了判斷的模糊性和不確定性問題。由于模糊的方法更接近于東方人的思維習(xí)慣和描述方法,因此它更適應(yīng)于對我國社會經(jīng)濟(jì)系統(tǒng)問題進(jìn)行評價。模糊綜合評判包括六個基本要素：１。評判因素集。代表綜合評判中各評判因素所組成的集合。2。評語集。代表綜合評判中評語所組成的集合,它實質(zhì)是對被評事物變化區(qū)間的一個劃分，如很好、好、中、差、極差等評語．３。模糊關(guān)系矩陣,專業(yè)知識分享

35WORD格式可編輯是單因素評價的結(jié)果,即單因素評價矩陣.模糊綜合評判所綜合的對象正是.4.評判因素權(quán)重集,代表評價因素在被評對象中的相對重要程度，它在綜合評判中用來對做加權(quán)處理。5.模糊算子。模糊算子是指合成與所用的計算方法,即合成方法。6.評判結(jié)果向量。2。8。１確定評語集評語集是評價者對評價對象可能作出的各種總的評價結(jié)果所組成的集合,不論評價層次的多少,評語集只有一個。評價系統(tǒng)狀態(tài)及其因素狀態(tài)的描述本身存在客觀的模糊性，而這種模糊性不但表達(dá)了系統(tǒng)狀態(tài)的存在程度,而且較符合人們的接受習(xí)慣和理解。評語集一般可表示為:從技術(shù)處理的角度看,評語等級個數(shù)通常大于４而不超過1０．一方面,取值過大超過人的語義區(qū)分能力，不易判斷對象的等級歸屬;另一方面,過少又不符合模糊綜合評判的質(zhì)量要求，因此的取值以適中為好。按照國際慣例，常用九個級別來劃分企業(yè)信用等級.2.8。2確定指標(biāo)權(quán)重集　根據(jù)每一層次中各個因素相對于上一層次的重要程度,分別賦子每個因素以相應(yīng)的權(quán)重值,則構(gòu)成權(quán)重集為:　　　第一層次　專業(yè)知識分享

36WORD格式可編輯第二層次　2．8。3　確定評判矩陣評判矩陣作為一個從因素集到評語集的模糊變換器，每輸入一組因素的權(quán)重向量,就可以得到一組相應(yīng)的評判結(jié)果,如圖1所示。Fuzzy變換器權(quán)重向量評價結(jié)果圖1模糊綜合評判基本模型?由于每一層次各因素都由下一層的若干因素決定，所以第一層次每一因素的單因素評價,應(yīng)是底一層次的多因素綜合評價結(jié)果．　　　　尋找因素集中各元素對評語集中各元素的隸屬關(guān)系，單個因素構(gòu)成一個模糊評判向量:其中表示指標(biāo)。關(guān)于等級的隸屬度．且滿足.令這一層次的單因素評判矩陣為，則　　決定矩陣行數(shù)的是中的個數(shù)，決定矩陣列數(shù)的是評語集數(shù)。２。8。４模糊綜合評判1?！∫患壞：C合評判:專業(yè)知識分享

37WORD格式可編輯一級模糊綜合評判集為:　上式中代表準(zhǔn)則層權(quán)重向量,代表指標(biāo)層評判矩陣,“”是模糊算子。2、二級模糊綜合評判。一級模糊綜合評判僅是指標(biāo)層次綜合評價的結(jié)果,它只是對準(zhǔn)則層的單因素評價。為了繼續(xù)求出目標(biāo)層的綜合評價，必須進(jìn)行二級模糊綜合評判。這里二級模糊綜合評判的單因素評價矩陣為：　　則二級模糊綜合評判集為:　用框圖來表示上述兩級合成過程如圖2所示如下：專業(yè)知識分享

38WORD格式可編輯RB1B2Bp圖22.8。5模糊合成算子的選擇對于模糊合成算子，人們根據(jù)實際需要提出了多種評判模型,他們都是一種合成方式,每一種模型對應(yīng)一種算法。（１)模型　1　該模型不論因素多少,均要求評價者最大限度的突出主要因素，又最大限度的突出單因素評價的隸屬度，模型中“”表示取大運(yùn)算,“”表示取小運(yùn)算。專業(yè)知識分享

39WORD格式可編輯（2）模型　２　　該模型中“＂是普通乘法，＂”是取大運(yùn)算，于是（3)　模型3　該模型中“”表示“上限1求和”即：在該模型下，記號表示對個數(shù)在運(yùn)算下求和,因此上式又可寫為:(4)　模型4　該模型中“”表示普通加法，“”表示普通乘法,即　其中專業(yè)知識分享

40WORD格式可編輯模糊綜合評判方法的優(yōu)點:1．模糊綜合評判以向量的形式出現(xiàn),提供的評級信息比其它方法豐富。模糊綜合評判過程是一個向量集合過程，而不是一個單點值，并且每個向量是一個模糊集，較為準(zhǔn)確地刻畫了對象本身的模糊狀況。所以本身在信息的質(zhì)和量上都具有優(yōu)越性。2.評價從層次角度分析復(fù)雜對象。一方面,符合復(fù)雜系統(tǒng)的狀況，有利于最大限度地客觀描述被評價對象;另一方面,還有利于盡可能準(zhǔn)確地確定指標(biāo)權(quán)重．在從各指標(biāo)對被評價對象的重要程度出發(fā)確定權(quán)重時，通常把整個評價體系的權(quán)重看成一個整體.這樣，當(dāng)復(fù)雜系統(tǒng)包含評價指標(biāo)較多時，必然是每個指標(biāo)的權(quán)重都很小,指標(biāo)間的重要程度差異將不易體現(xiàn)出來.但是,如果將復(fù)雜系統(tǒng)分層,則每個層次內(nèi)的指標(biāo)將變少,指標(biāo)對被評價對象的隸屬度和重要程度會較容易確定.因此,被評價對象越是復(fù)雜,結(jié)構(gòu)層次越多，應(yīng)用多層次模糊綜合評判的效果越理想。3.模糊綜合評判方法的適用性強(qiáng),它既可用于主觀因素的綜合評價,又可用于客觀因素的綜合評價。在實際生活中，“亦此亦彼”的模糊現(xiàn)象大量存在,所以模糊綜合評判的應(yīng)用范圍很廣，特別是主觀因素的綜合評判中,由于主觀因素的模糊性很大，使用模糊綜合評判可以發(fā)揮模糊方法的優(yōu)勢，評價效果優(yōu)于其它方法。4.模糊綜合評判中的權(quán)重屬于估價權(quán)重(估價權(quán)重是從評價者的角度認(rèn)定各評價因素重要程度如何而定的權(quán)重),因此是可以調(diào)整的.根據(jù)評價者的著眼點不同，可以改變評價因素的權(quán)重.這種定權(quán)方法適用性較強(qiáng).另外還可以同時用幾種不同的權(quán)重分配對同一被評價對象進(jìn)行綜合評價,以進(jìn)行比較研究。但是權(quán)重調(diào)整后往往會破壞同一被評價對象的不同評價結(jié)果間的可比性.因為不同被評價對象使用不同的權(quán)重進(jìn)行綜合評價時，彼此間是不可比的。專業(yè)知識分享

41WORD格式可編輯模糊綜合評判方法的缺點：1．模糊綜合評判過程中,不能解決評判因素間的相關(guān)性所造成的因素信息重復(fù)的問題．因此在進(jìn)行模糊綜合評判前，因素的預(yù)選和篩除十分重要，需要盡量把相關(guān)程度較大的因素刪除,以保證評價結(jié)果的準(zhǔn)確性。另一方面，如果評價因素考慮的不夠充分,有可能影響評價結(jié)果的區(qū)分度。本文參考國際上較為流行評級體系以及我國企業(yè)實際情況,確保足夠有效的評級因素信息量,并且刪除了相關(guān)程度較大的因素。２．在模糊綜合評判中,指標(biāo)的權(quán)重不是在評價過程中伴隨產(chǎn)生的,這樣人為定權(quán)具有較大的靈活性，一定程度上反映了指標(biāo)本身對被評價對象的重要程度，但人的主觀性較大,與客觀實際可能會有偏差。2。9遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)遺傳算法是模擬生物進(jìn)化論自然選擇和遺傳學(xué)機(jī)理生物進(jìn)化過程的計算模型,是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。遺傳算法用編碼空間的方式來看待問題空間,用編碼群體作為進(jìn)化的基礎(chǔ),用適應(yīng)度函數(shù)作為評價的依據(jù),對于整個群體中的個體位串進(jìn)行選擇、交叉和變異等模擬生物進(jìn)化的操作,完成一次迭代過程.在多次迭代之后,種群中個體的進(jìn)化將會完成,最終得到了最優(yōu)解。對神經(jīng)元間的閾值和連接權(quán)重值的計算是神經(jīng)網(wǎng)絡(luò)運(yùn)算的核心思想,因此為了改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，可以采用遺傳算法對神經(jīng)元節(jié)點間的閾值和連接權(quán)重值進(jìn)行優(yōu)化。利用遺傳算法對BＰ神經(jīng)網(wǎng)絡(luò)進(jìn)行全局優(yōu)化的方法:專業(yè)知識分享

42WORD格式可編輯使用遺傳算法優(yōu)化ＢP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間初始閾值和連接權(quán)重值,然后應(yīng)用ＢP算法按照負(fù)梯度方向修正神經(jīng)元之間的閾值和連接權(quán)重值并進(jìn)行網(wǎng)絡(luò)訓(xùn)練。之所以用這樣的方法進(jìn)行BＰ神經(jīng)網(wǎng)絡(luò)的優(yōu)化建立,是因為利用遺傳算法的優(yōu)化可以有效避免搜索范圍落入局部最小值的缺點。而優(yōu)化選取網(wǎng)絡(luò)初始化參數(shù)，還可以減少閾值和權(quán)重值的訓(xùn)練次數(shù)，提高網(wǎng)絡(luò)的收斂速度.利用遺傳算法優(yōu)化BＰ神經(jīng)網(wǎng)絡(luò)的操作如下：１.染色體編碼:由于神經(jīng)網(wǎng)絡(luò)閾值和權(quán)重是連續(xù)性參數(shù),而浮點數(shù)的編碼方式以連續(xù)性參數(shù)優(yōu)化為特征,省去了編碼與解碼的步驟,在一定程度上可以提升遺傳算法運(yùn)算的速度和可行解的求解精度。因此本文選擇了通過浮點數(shù)編碼方式對染色體編碼。將閾值和權(quán)重值按照輸入層節(jié)點到隱含層節(jié)點以及隱含層節(jié)點到輸出層節(jié)點的方式級聯(lián)，種群中的一條染色體就是級聯(lián)的一個輸出數(shù)組。2.適應(yīng)度函數(shù):適應(yīng)度函數(shù)值決定了遺傳算法對于染色體的生存能力評價結(jié)果,染色體的適應(yīng)度函數(shù)值越大越容易被選中進(jìn)行遺傳操作,輸出層神經(jīng)元實際輸出值與期望輸出值的誤差平方和越小,說明ＢP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度越高。通過選擇BP算法中的均方差函數(shù)作為適應(yīng)度函數(shù)．BP神經(jīng)網(wǎng)的優(yōu)化算法如圖3所示。專業(yè)知識分享

43WORD格式可編輯是否滿足標(biāo)準(zhǔn)遺產(chǎn)算法是否滿足標(biāo)準(zhǔn)選擇最優(yōu)個體結(jié)束開始最優(yōu)個體作為BP網(wǎng)絡(luò)的初始權(quán)值和閾值產(chǎn)生初始種群BP算法NYYN圖3神經(jīng)網(wǎng)絡(luò)優(yōu)化算法流程BＰ算法(ＥrｒｏrＢaｃk-ＰｒopaｇationAｌgorithm)是一類有導(dǎo)學(xué)習(xí)算法,用于　BＰ網(wǎng)權(quán)值和閾值的學(xué)習(xí)。假設(shè)１個3層的BＰ　網(wǎng),輸入矢量為,隱層有個神經(jīng)元,輸出矢量;輸出層有個神經(jīng)元,輸出矢量，輸入層到隱層的權(quán)值為，閾值為，隱層到輸出層的權(quán)值為，閾值為，則各層神經(jīng)元輸出為設(shè)1個樣本的期望輸出為,則均方誤差為:專業(yè)知識分享

44WORD格式可編輯網(wǎng)絡(luò)權(quán)值和閾值學(xué)習(xí)的目標(biāo)是使均方誤差最小化。如果神經(jīng)元的當(dāng)前權(quán)值為，下一時刻的權(quán)值調(diào)節(jié)公式為　　　　　式中，代表當(dāng)前時刻的修正方向。對進(jìn)行1階泰勒展開,得　　式中,表示在時得梯度矢量。因此,若取，必然能使。式中,為學(xué)習(xí)率。若設(shè)為網(wǎng)絡(luò)中1個連接權(quán)值，則根據(jù)梯度下降法,權(quán)值修正量應(yīng)為：對于隱層到輸出層的權(quán)：　　修正量為：式中，。對于輸入層到隱層的權(quán)值修正量為式中,。根據(jù)其原理,BP算法的步驟見圖4，“按權(quán)值修正公式修正各層的權(quán)值和閾值"一步中設(shè)置自適應(yīng)學(xué)習(xí)率并增加動量項,以加快模型的收斂速度并避免陷入局部最小化。專業(yè)知識分享

45WORD格式可編輯權(quán)值初始化輸入樣本依次計算隱層，輸出層各神經(jīng)元的輸出，計算實際輸出y和目標(biāo)輸出d的均方誤差EE是否滿足要求按權(quán)值修正公式修正各層的權(quán)值和閾值結(jié)束YN圖4BP算法步驟專業(yè)知識分享

46WORD格式可編輯神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練過程中存在以下一些需要考慮的問題:1。收斂問題：Rｕmeｌhart等人60在1９８6年曾以微分方程為例,說明僅當(dāng)網(wǎng)絡(luò)權(quán)值調(diào)整步長無限小時,收斂才有效．這意味著訓(xùn)練要用無限的收斂時間。經(jīng)驗觀察也說明了訓(xùn)練過程中收斂是不可預(yù)測的，且時間是相當(dāng)長的。2.局部極小值問題：ＢP學(xué)習(xí)算法用梯度下降法調(diào)整網(wǎng)絡(luò)權(quán)值,這對凸?fàn)畹恼`差曲面將是有效的,但對實際問題中經(jīng)常遇到的嚴(yán)重卷繞的非凸?fàn)钋鎱s不能取得最佳效果。3。訓(xùn)練癱瘓問題:在某些情況下,網(wǎng)絡(luò)訓(xùn)練過程中對權(quán)值的修改實際上是幾乎停頓了.一旦進(jìn)入這種狀態(tài)，它將使訓(xùn)練時間按數(shù)量級增長,這種網(wǎng)絡(luò)癱瘓是一個嚴(yán)重問題。4．系統(tǒng)在訓(xùn)練過程中可能產(chǎn)生震蕩.ＢP神經(jīng)網(wǎng)絡(luò)具有傳統(tǒng)方法所具有的優(yōu)點:1.神經(jīng)網(wǎng)絡(luò)無需樣本服從正態(tài)分布，無協(xié)方差相等，先驗概率已知等要求;２.能實現(xiàn)非線性分類，對樣本容量無具體約束；３。能很好地起到黑匣子的作用，避免指標(biāo)權(quán)值確定中的人為主觀因素，并且通過Maｔlａb實現(xiàn)非常方便。但是，神經(jīng)網(wǎng)絡(luò)也具有一些不足,如:(1）網(wǎng)絡(luò)不穩(wěn)定，訓(xùn)練樣本的仿真準(zhǔn)確率很高,但對測試樣本的仿真準(zhǔn)確率會降低;(2)解釋性差,網(wǎng)絡(luò)最終確定后,每個神經(jīng)元的權(quán)值和閾值雖然已知，但不能很好地分析各個指標(biāo)對結(jié)果的影響程度,對現(xiàn)實問題中的經(jīng)營管理也就不能起到很好的借鑒作用;(3)網(wǎng)絡(luò)的輸入個數(shù)與隱層節(jié)點個數(shù)的確定沒有理論指導(dǎo)，只能通過經(jīng)驗確定。綜上所述，BP神經(jīng)網(wǎng)絡(luò)具有很大的優(yōu)越性，在信用評級應(yīng)用方面具有非常重要的意義，但在實際應(yīng)用中還存在一些問題，需要進(jìn)一步研究和改進(jìn)。專業(yè)知識分享

47WORD格式可編輯2.１0基于有序分類和支持向量機(jī)方法2.10。1　有序分類問題與內(nèi)置空間法設(shè)訓(xùn)練樣本集為,其中為訓(xùn)練樣本集規(guī)模,為維特征向量，為樣本對應(yīng)的等級，為特征空間,，為最大等級數(shù)。在形式上，等級與多類問題中的類別相似，但不同的是:此等級代表該樣本的信用程度（　或優(yōu)先級)。如果一個樣本的等級為,則該樣本的信用程度(優(yōu)先級）要高于等級小于的樣本,低于等級大于的樣本;而一般的多類問題中的類別之間沒有這種序關(guān)系。假設(shè)在特征空間中存在這樣的“坐標(biāo)"軸：特征空間中的點投影到該“坐標(biāo)”軸的相對位置代表該點的等級。設(shè)為特征空間中的某一超平面,特征空間中的數(shù)據(jù)點到的算術(shù)距離(SiｇｎｅｄDisｔanｃｅ）為；為判定數(shù)據(jù)的等級，還需個閾值,將分級器記為，其分級規(guī)則為：事實上,此分級器用個平行的超平面將特征空間分為部分。圖５是分級示意圖:點到的距離被映射到一維空間，閾值,,···,用來與該距離比較;對等級為的任意點，在點和之間(設(shè)，），　　　專業(yè)知識分享

48WORD格式可編輯令,顯然有。圖5分級示意圖等級為的樣本數(shù)據(jù)點滿足:(1１)而等級為的樣本數(shù)據(jù)點還同時滿足:(12)式11，12反映了等級之間的有序關(guān)系。為了更為簡潔的表示式１1，12,首先定義，再對等級為的樣本定義維的擴(kuò)展向量和：??；此時,對等級的樣本只定義,而對等級的樣本只定義。不失一般性,令(通過增加偏置項可使此假設(shè)滿足,　專業(yè)知識分享

49WORD格式可編輯即點到的算術(shù)距離為）,則原分級問題等同于：在維空間中學(xué)習(xí)得到分類器，使得且。再通過將樣本，的類別設(shè)為,而將的類別設(shè)為，原分級問題就可以轉(zhuǎn)化為一個標(biāo)準(zhǔn)的二類分類問題．上述方法也稱為內(nèi)置空間法。使用此方法將分級問題轉(zhuǎn)化為二類分類問題時，相應(yīng)的訓(xùn)練樣本規(guī)模增加到（其中和分別是等級為1和的樣本數(shù)）,權(quán)值向量的維數(shù)增加維(擴(kuò)展位)，樣本數(shù)據(jù)中類別之間的有序信息被擴(kuò)展位反映。任何線性分類方法都可用于解此二類問題.可以證明:如果該二類問題線性可分，則總為正。而當(dāng)此二類問題不是線性可分時,則可考慮使用核分類器——支持向量機(jī)求解。在很多實際問題中，線性學(xué)習(xí)器的計算能力有限,不足以使之學(xué)習(xí)到目標(biāo)概念.這種情況下,核表示方式提供了一條解決途徑,即將數(shù)據(jù)映射到高維空間來增加線性學(xué)習(xí)器的計算能力.設(shè)核函數(shù)為:,其中：是原特征空間到新特征空間的非線性映射.由于是非線性映射,存在這樣的問題:對等級為的樣本有,但對于一般的核函數(shù)并不一定保證,從而得不到所需的分級規(guī)則。為解決這個問題,定義映射：:　　　;。專業(yè)知識分享

50WORD格式可編輯只將變元的前維(即和）映射到高維空間，而保持變元的后維不變；通過這樣的可進(jìn)一步定義核函數(shù)：,被分解為兩個核函數(shù)之和,前一項為特征向量的前維的核，后一項為后維的線性核。利用核函數(shù),支持向量機(jī)學(xué)習(xí)得到進(jìn)而計算閾值;點到的算術(shù)距離為：其中，為對應(yīng)的Ｌagranｇe乘子，是偏置頂；對應(yīng)分級規(guī)劃式1，可得出使用核函數(shù)的分級規(guī)則：,應(yīng)用該等級規(guī)則即可對測試數(shù)據(jù)判定等級。2.11C4.5算法建立決策樹模型Ｃ４。5算法構(gòu)造的具體步驟如下:Sｔep1:對原始數(shù)據(jù)進(jìn)行預(yù)處理，若有連續(xù)型的屬性變量,則對其進(jìn)行離散化處理，本身為離散型的屬性變量則不進(jìn)行處理．處理的方法如下：(1)設(shè)有個樣木數(shù)據(jù)，將所有數(shù)據(jù)樣木按照連續(xù)型描述屬性的具體數(shù)值，由小到大進(jìn)行排序，找到該連續(xù)型屬性的最小取值，最大取值；(2)在區(qū)間內(nèi)插入個數(shù)值等分為個小區(qū)間;(3)取每兩個值的中間值作為分割點,即分別以為分段點,將區(qū)間專業(yè)知識分享

51WORD格式可編輯劃分為兩個子區(qū)間。Sｔeｐ2:計算每個屬性的信息增益和信息增益比，將具有最高信息增益比的屬性作為給定集合的測試屬性，同時創(chuàng)建一個節(jié)點，并以該屬性標(biāo)記,對屬性的每個值創(chuàng)建分枝，并據(jù)此劃分樣本。Step３：根節(jié)點屬性每一個可能的取值對應(yīng)一個子集,對樣本子集遞歸地執(zhí)行以上Ｓtｅp2過程,直到劃分的每個子集中的觀測數(shù)據(jù)在分類屬性上取值都相同，生成決策樹。Step4:根據(jù)構(gòu)造的決策樹提取分類規(guī)則，對新的數(shù)據(jù)集進(jìn)行分類。C４.5算法的優(yōu)點主要體現(xiàn)在以下幾方面:(１)用信息增益率來選擇屬性,克服了ＩD3用信息增益選擇屬性時偏向于選擇取值多的屬性的不足;（2）在樹構(gòu)造過程中或者構(gòu)造完成之后,使用不同的修剪技術(shù)以避免樹的不平衡;(3)能夠完成對連續(xù)屬性的離散化處理;（4)能夠?qū)Σ煌暾麛?shù)據(jù)進(jìn)行處理；（5）K次迭代交叉驗證；（6)C4.5采用的知識表示形式為決策樹,并能最終可以形成產(chǎn)生規(guī)則。（7）C4。5算法可通過使用不同的修剪技術(shù)以避免樹的不平衡．即通過剪枝操作刪除部分節(jié)點和子樹以避免“過度擬合",以此消除訓(xùn)練集中的異常和噪聲。專業(yè)知識分享

52WORD格式可編輯C4。5算法不足之處:(1）C4．5算法采用分而治之的策略所得到?jīng)Q策樹不一定是最優(yōu)的；(２）采用一邊構(gòu)造決策樹，一邊進(jìn)行評價的方法，使決策樹的結(jié)構(gòu)調(diào)整、性能改善較困難;（3)僅考慮決策樹的錯誤率，未考慮樹的節(jié)點、深度，而樹的結(jié)點個數(shù)代表了樹的規(guī)模,樹的平均深度對應(yīng)著決策樹的預(yù)測速度；(4)對屬性值分組時逐個探索,沒有一種使用啟發(fā)式搜索的機(jī)制,分組效率較低:第五,Ｑuｉｎlaｎ經(jīng)典的展示Ｃ4。５算法結(jié)果的方法,是將結(jié)果樹逆時針旋轉(zhuǎn)90度，以文本形式輸出，很不直觀。2.12ｋmv公司的kｍv模型 ?　1993年,全球聞名的美國穆迪kmv公司以merton開發(fā)的期權(quán)定價模型為基礎(chǔ),以公司資產(chǎn)為基本變量,將期權(quán)定價模型的原理應(yīng)用到貸款和債券的估值,通過對上市公司股價波動進(jìn)行分析來監(jiān)控公司發(fā)生違約的可能.kmv模型的優(yōu)勢：(1）在計算股票回報率的關(guān)聯(lián)矩陣時,運(yùn)用企業(yè)、國家和行業(yè)、全球三層經(jīng)濟(jì)指標(biāo)建立多因子模型,綜合考慮了企業(yè)微觀發(fā)展、國家宏觀環(huán)境和全球發(fā)展因素。同時,kmv模型將違約關(guān)聯(lián)度和公司的股票價格聯(lián)系起來，不僅能夠全面地分析企業(yè)的目前的信用狀況,還能合理地預(yù)期未來風(fēng)險。（2)kmv模型在ｍerton期權(quán)定價模型的基礎(chǔ)上考慮了紅利支付、違約提前發(fā)生等可能性,對于企業(yè)負(fù)債變動的情況也能計算其違約率，擴(kuò)大了mertｏｎ模型的適用范圍。（3）ｋmv模型根據(jù)市場價值、到期時間、無風(fēng)險利率等計算資產(chǎn)波動率和根據(jù)違約點計算違約價值的方法，適用于所有數(shù)據(jù)公開的上市公司，能廣泛應(yīng)用于公開交易的上市企業(yè)。專業(yè)知識分享

53WORD格式可編輯ｋmv模型缺點:kmｖ模型預(yù)測企業(yè)預(yù)期違約概率，是建立在資產(chǎn)回報服從正態(tài)分布的基礎(chǔ)上的，而現(xiàn)實中,企業(yè)的資產(chǎn)回報很難滿足正態(tài)分布的條件。其次，測算預(yù)期違約概率的數(shù)據(jù)包括股價信息、負(fù)債價值、到期時間等，增加了統(tǒng)計數(shù)據(jù)的難度，限制了ｋｍv模型的應(yīng)用。最后該模型只考慮了一些簡單的指標(biāo)(股權(quán)價值、波動率等）,忽略了企業(yè)資歷、抵押品等反映企業(yè)復(fù)雜特征的指標(biāo),降低了預(yù)測結(jié)果的準(zhǔn)確度。２.13　j。p摩根的credｉtmetrics模型??　1９97年，jp摩根與kmｖ公司合作開發(fā)了ｃrｅdiｔｍetrics模型,通過模擬信用資產(chǎn)組合信用質(zhì)量的變化來估計資產(chǎn)組合價值的變化，進(jìn)而以該資產(chǎn)組合價值大小來確定信用風(fēng)險的大小。　creditmeｔricｓ模型優(yōu)勢:該模型具有普遍適用性,計算方法簡單易操作,也是最早應(yīng)用于投資組合的信用風(fēng)險管理的模型。ｃｒｅditmｅｔrics模型綜合了國家各項經(jīng)濟(jì)指標(biāo)和行業(yè)指標(biāo)，根據(jù)企業(yè)在行業(yè)中市場份額賦權(quán),能夠高效地計算各個貸款企業(yè)之間的相關(guān)性。ｃｒｅdｉｔmetrics模型不足之處:（1）模型中違約率的計算值是企業(yè)過去年份違約率的算術(shù)平均值,考慮到了宏觀環(huán)境對于違約率的影響,但在不同的經(jīng)濟(jì)發(fā)展階段，違約率應(yīng)賦予不同的權(quán)重，這一點需要進(jìn)一步研究。(2)ｃreditｍetrics模型忽略了市場風(fēng)險。模型假設(shè)無風(fēng)險利率是固定值,因此市場風(fēng)險對于投資組合的市場價值沒有影響。而市場和宏觀經(jīng)濟(jì)水平影響信用質(zhì)量，從而改變企業(yè)的經(jīng)營收益，改變企業(yè)的違約風(fēng)險。(3)建立模型的基礎(chǔ)是企業(yè)的資產(chǎn)價值服從正態(tài)分布,嚴(yán)格的數(shù)據(jù)要求和現(xiàn)實數(shù)據(jù)的實際分布有一定的區(qū)別,影響了ｃreｄitmeｔriｃｓ模型模擬結(jié)果的準(zhǔn)確度。2.14麥肯錫公司的ｃｒediｔpｏrtfoliovｉew模型?專業(yè)知識分享

54WORD格式可編輯?　１９97年，麥肯錫公司開發(fā)了cｒeｄiｔｐorｔfolio?。鰅ew模型,以宏觀經(jīng)濟(jì)情況為基礎(chǔ),主要考慮的宏觀經(jīng)濟(jì)因素有g(shù)ｄp增長率、失業(yè)率、匯率、長期利率、政府支出和儲蓄等,用于分析貸款組合風(fēng)險和收益，該模型認(rèn)為宏觀經(jīng)濟(jì)因素的改變是導(dǎo)致信用質(zhì)量變化的原因,對公司特殊數(shù)據(jù)不進(jìn)行分析。creditportfoliｏｖiｅｗ模型優(yōu)勢：充分考慮了全球經(jīng)濟(jì)、國家宏觀經(jīng)濟(jì)、行業(yè)發(fā)展在企業(yè)中的作用,打破了用企業(yè)歷史違約率的平均值測算企業(yè)違約率的模式.其次,把宏觀影響因素加入到信用風(fēng)險的評估中,并提出了宏觀經(jīng)濟(jì)發(fā)展對信用級別轉(zhuǎn)移的變化．然而,如何獲取宏觀經(jīng)濟(jì)發(fā)展的可靠歷史數(shù)據(jù)，并準(zhǔn)確地反映到單個企業(yè)的信用評價中，是一個需要進(jìn)一步研究的問題． ２.15瑞士信貸銀行的ｃrｅdiｔrisｋ＋模型1９97年,瑞士信貸銀行的產(chǎn)品部研發(fā)出creditｒｉｓk＋模型,運(yùn)用了保險業(yè)中的精算方法,不分析違約的原因,同時只針對違約風(fēng)險，而不考慮轉(zhuǎn)移風(fēng)險，這種簡化使得將損失分布規(guī)范為一種方便的限定形式成為可能。ｃｒeditｒisｋ+模型優(yōu)勢:ｃreditrisk+模型最大的特點是容易實現(xiàn).由于該模型不考慮企業(yè)降級的風(fēng)險，只關(guān)注企業(yè)是否違約,因此涉及到的指標(biāo)數(shù)量少于其他模型。crｅditrｉsk+模型在分析問題時,只需處理集中風(fēng)險問題,且只考慮違約發(fā)生一次的概率,簡化了分析過程，節(jié)約人力、物力。crediｔ　ｒisk+模型不足之處有:（1)正因為credit專業(yè)知識分享

55WORD格式可編輯rｉsk+模型只考慮企業(yè)違約風(fēng)險,忽略了信用風(fēng)險降級的情況，因此每個企業(yè)的風(fēng)險敞口是固定不變的,不考慮企業(yè)歷史信用等級,也不用預(yù)測企業(yè)未來收益變化。(2)credｉtriｓｋ＋模型只適用于線性模型,對于復(fù)雜的期權(quán)定價和外匯互換等非線性模型并不適用.（3)在運(yùn)用該模型計算企業(yè)的違約概率時，違約率的波動性不能夠直接計算，而要通過其他模型計算,數(shù)據(jù)的有效性需要進(jìn)一步研究。第三章現(xiàn)代模型在中國應(yīng)用的缺陷性及改進(jìn)措施３.1對于現(xiàn)代模型的運(yùn)用還處于嘗試階段在國外,以在險價值為基礎(chǔ)的ｃredit　metｒics模型應(yīng)用廣泛，而我國仍采用結(jié)合企業(yè)財務(wù)報表中各項財務(wù)比率的定性分析方法.我國之所以沒有采納creｄｉtｍeｔrics模型,與我國特殊的經(jīng)濟(jì)發(fā)展境密切相關(guān)。（１）信用風(fēng)險管理體系不完善。當(dāng)前，我國商業(yè)銀行對風(fēng)險種類、來源和防范問題研究分散，缺乏完備的理論體系和深入的模型研究,沒有建立完善的信用風(fēng)險管理制度。在風(fēng)險測量體系問題上，我國還沒有風(fēng)險報告系統(tǒng)，管理人員不能及時掌握企業(yè)的信用風(fēng)險情況，不能合理、準(zhǔn)確地判斷企業(yè)信用.因此，只有建立健全宏觀的金融監(jiān)管框架，完善系統(tǒng)性風(fēng)險的防范體系，增強(qiáng)資本流動性,才能為提高專業(yè)技術(shù)水平提供有利條件。??　　專業(yè)知識分享

56WORD格式可編輯(２）信用風(fēng)險防范意識不足。目前,商業(yè)銀行尚未意識到信用風(fēng)險度量模型的重要性。我國大多商業(yè)銀行對信用風(fēng)險的防范意識不足,忽略了現(xiàn)代信用風(fēng)險模型的優(yōu)越性,以短期的經(jīng)營效益作為銀行貸款業(yè)務(wù)的目標(biāo),忽視了運(yùn)用現(xiàn)代風(fēng)險模型準(zhǔn)確評估企業(yè)信用度的重要性。?(３）缺乏完備的數(shù)據(jù)庫。完備的數(shù)據(jù)庫是商業(yè)銀行對企業(yè)的信用進(jìn)行分級，建立信用風(fēng)險度量體系的基礎(chǔ)。由于我國的商業(yè)銀行對信用風(fēng)險管理的探索只有十幾年，統(tǒng)計數(shù)據(jù)較少,很難對企業(yè)信用進(jìn)行全面、系統(tǒng)的評價。目前我國風(fēng)險管理、計量模型、風(fēng)險評估數(shù)據(jù)庫等技術(shù)不發(fā)達(dá),信息系統(tǒng)及專業(yè)技術(shù)沒有達(dá)到世界先進(jìn)水平。 3.２　改進(jìn)措施(1）建立完善的基礎(chǔ)數(shù)據(jù)庫。完備的數(shù)據(jù)庫是信用風(fēng)險管理體系建立的基礎(chǔ)。我國應(yīng)當(dāng)注重企業(yè)信貸交易資料的統(tǒng)計，通過資產(chǎn)負(fù)債、經(jīng)營能力、現(xiàn)金流等財務(wù)指標(biāo)和其他非財務(wù)指標(biāo)統(tǒng)計信息,同時考慮宏觀經(jīng)濟(jì)、行業(yè)特點、競爭壓力、管理能力、資產(chǎn)結(jié)構(gòu)等多個方面評價企業(yè)的信用等級。建立客戶信用檔案,做好客戶信用信息的管理工作，保證企業(yè)貸款資料的完備性,建立完善的數(shù)據(jù)庫體系。充分利用現(xiàn)代化信息系統(tǒng)，學(xué)習(xí)國外先進(jìn)的數(shù)據(jù)管理技術(shù)，為信用風(fēng)險數(shù)據(jù)庫的建立提供技術(shù)支持。 ?(2）建立完善的信用風(fēng)險評價體系。為了提高我國商業(yè)銀行的全球競爭力，全面貫徹巴塞爾協(xié)議ⅲ專業(yè)知識分享

57WORD格式可編輯的重要思想，構(gòu)建中國特色的信用風(fēng)險管理系統(tǒng)，迎接全球經(jīng)濟(jì)一體化的重大挑戰(zhàn)，商業(yè)銀行必須建立自己的信用風(fēng)險評價體系。國外的評價指標(biāo)以地區(qū)、抵押品和行業(yè)分類為主，結(jié)合我國企業(yè)發(fā)展速度快,信用等級穩(wěn)定性波動較大等特點,我國的企業(yè)風(fēng)險評價應(yīng)當(dāng)重點考慮企業(yè)資產(chǎn)的處置方法、股權(quán)轉(zhuǎn)讓方式、運(yùn)作模式、經(jīng)營狀況等特色指標(biāo),再結(jié)合kｍv、credit　metrics、ｃrｅditrisｋ＋、cｒeｄｉtpｏrtfoliｏ　vieｗ模型綜合考慮。當(dāng)然，目前我國的信用評價體系不完善,先進(jìn)的銀行內(nèi)部風(fēng)險度量模型可能不適用于我國的國情,先進(jìn)模型是否能準(zhǔn)確地反映我國企業(yè)的信用風(fēng)險等級有待進(jìn)一步研究。但是,國外先進(jìn)的模型研究思路和理論基礎(chǔ)是值得我們學(xué)習(xí)和借鑒的。因此，應(yīng)結(jié)合我國商業(yè)銀行貸款業(yè)務(wù)的特點和風(fēng)險管理的現(xiàn)狀,充分考慮我國改革利率市場化、金融衍生品發(fā)展緩慢、風(fēng)險意識薄弱等特殊因素，在已有模型的基礎(chǔ)上修正和完善，建立適合我國的信用風(fēng)險評估模型，促進(jìn)經(jīng)濟(jì)的快速發(fā)展.?（3)提供政策支持,加強(qiáng)金融監(jiān)管。信用評級是保證金融市場合理運(yùn)轉(zhuǎn)的重要方面,通過對企業(yè)信用風(fēng)險的評估和防范,降低經(jīng)營風(fēng)險，保證金融體系能夠健康、高速發(fā)展．我國應(yīng)當(dāng)大力支持商業(yè)銀行信用風(fēng)險體系的建立，通過法律、法規(guī)等手段積極促進(jìn)信用風(fēng)險評價體系的發(fā)展.同時,監(jiān)管部門應(yīng)當(dāng)積極參與到商業(yè)銀行內(nèi)部信用評級體系開發(fā)建設(shè)的活動中,培養(yǎng)優(yōu)秀的管理人才,提供可靠的指導(dǎo)意見,引導(dǎo)我國的信用風(fēng)險評價體系能夠積極、健康地發(fā)展。第四章　對我國企業(yè)信用評級工作的建議　專業(yè)知識分享

58WORD格式可編輯信用評級一直被視作現(xiàn)代金融大廈的重要組成部分，但是目前我國的信用評級的發(fā)展嚴(yán)重滯后于經(jīng)濟(jì)發(fā)展速度，有些業(yè)內(nèi)人士甚至認(rèn)為,信用評級在我國已成為資本市場健康發(fā)展和金融體制改革深化的瓶頸和障礙?！H信用評級業(yè)的發(fā)展已有百年歷史,逐步形成了一套較為完善的評級體系，并在現(xiàn)代化的金融市場中發(fā)揮著重要作用。在我國信用評級發(fā)展過程中,我們應(yīng)該借鑒國際先進(jìn)經(jīng)驗,與國外評級機(jī)構(gòu)積極合作，發(fā)展適合我國國情的信用評級體系?！⊥ㄟ^對企業(yè)信用評級方法的研究，本文對目前我國企業(yè)信用評級工作提出以下建議：１。提高數(shù)據(jù)的審核標(biāo)準(zhǔn)，確保信息披露的真實性．信用評級主要是依據(jù)受評對象提供的信息資料,尤其是受評對象的財務(wù)數(shù)據(jù),而目前我國資本市場上，偽造會計憑證和編制假會計報表的現(xiàn)象屢禁不止,嚴(yán)重影響了評級結(jié)果的準(zhǔn)確性.因此有必要在制度上保證企業(yè)必須向評級機(jī)構(gòu)提供真實的財務(wù)數(shù)據(jù),使評級結(jié)果建立在一個真實可靠的基礎(chǔ)上.　2.科學(xué)合理的構(gòu)建指標(biāo)體系及確定指標(biāo)權(quán)重。鑒于構(gòu)建指標(biāo)體系和確定指標(biāo)權(quán)重是決定企業(yè)信用評分高低的關(guān)鍵因素,建議在構(gòu)建指標(biāo)體系及確定指標(biāo)權(quán)重時,一定要考慮全面，做到指標(biāo)體系以及權(quán)重的科學(xué)性和合理性。　　　3。根據(jù)行業(yè)對企業(yè)信用評級標(biāo)準(zhǔn)進(jìn)行細(xì)分。專業(yè)知識分享

59WORD格式可編輯不同的行業(yè),企業(yè)發(fā)展?fàn)顩r可能會存在較大大的差異,因此對所有企業(yè)采取“一刀切”的評級方法,既不科學(xué),也不合理。因此建議對企業(yè)信用評級時可按照行業(yè)對企業(yè)進(jìn)行細(xì)分，對不同的行業(yè)確定不同的評分標(biāo)準(zhǔn),進(jìn)一步提高信用評級的準(zhǔn)確性。4.建立評級結(jié)果的檢驗系統(tǒng)。檢驗評級結(jié)果的標(biāo)準(zhǔn)是與信用等級對應(yīng)的違約概率,這也是投資者作出決策的依據(jù)之一。我國信用評級發(fā)展時間尚短，缺乏對違約概率的統(tǒng)計數(shù)據(jù),但建立違約概率數(shù)據(jù)庫是我國評級機(jī)構(gòu)發(fā)展的必經(jīng)之路?！　?.加快信用評級相關(guān)法律的制定，從法律上確立信用評級的地位。相關(guān)法律的完善一方面能夠促進(jìn)信用評級業(yè)發(fā)展,為投資者提供決策依據(jù),另一方面規(guī)范評級程序和行業(yè)準(zhǔn)則，實現(xiàn)評級結(jié)果的客觀性、公正性和科學(xué)性。６.加強(qiáng)專業(yè)人才的培養(yǎng)與引進(jìn)。信用評級工作需要以科學(xué)的評級理論為基礎(chǔ)，同時也需要經(jīng)驗豐富的評級人員。評級機(jī)構(gòu)不但應(yīng)該穩(wěn)定評級隊伍，還應(yīng)該通過制定合理的激勵機(jī)制，調(diào)動評級人員的積極性,加強(qiáng)評級隊伍建設(shè)，提高信用評級的工作質(zhì)量。參考文獻(xiàn)［１]。張目，周宗放。專業(yè)知識分享

60WORD格式可編輯基于投影尋蹤和最優(yōu)分割的企業(yè)信用評級模型[J]。運(yùn)籌與管理,2011,06:22６-2３1.[2］．張鴻,丁以中。基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評級模型[J］。上海海事大學(xué)學(xué)報,2007,０３:６4—６8。[３]。于超，王璐,吳瓊,時慶濤?；谶z傳神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評級模型研究［J].東北師大學(xué)報（自然科學(xué)版),201３,0３:６２—68.[4］．張益?；趯哟畏治龇ǖ闹行∑髽I(yè)信用風(fēng)險評估［J]。商,2015，45:180—１８1。［5］。陽維，林成德。有序分類與企業(yè)信用評級模型[J］。杭州電子科技大學(xué)學(xué)報，2005,0６:44—47．[６]。張春偉?；冢蹋飃ｉstｉc模型的房地產(chǎn)企業(yè)信用評級研究[D].天津財經(jīng)大學(xué),2012。[7].楊龍光,吳晶妹．基于統(tǒng)計與聚類的信用評級新方法[J］。統(tǒng)計與決策，２016,０3:1３-16。［8]。李戰(zhàn)江?；诜謱舆壿嫽貧w的小企業(yè)信用評價模型[J］.統(tǒng)計與決策,20１６，07：１7８-18２。［9］．廖衛(wèi),王如龍,王瑩.決策樹算法在第三方物流企業(yè)信用評級中的研究與應(yīng)用［Ｊ].物流科技，２013，10:７9—８2。［10］。盧欣雪，趙康。國外信用評級模型的應(yīng)用及對我國的啟示[J]．世界經(jīng)濟(jì)與政治論壇,２0１2，04：165—１７２。[11].陳雄華?；谏窠?jīng)網(wǎng)絡(luò)和專家系統(tǒng)結(jié)合的企業(yè)信用評級研究[Ｄ].廈門大學(xué),20０2.[１2］。專業(yè)知識分享

61WORD格式可編輯胡航．企業(yè)信用評價模型的研究與實現(xiàn)［D]。西安電子科技大學(xué),20１2．[13］.王海燕?；谏窠?jīng)網(wǎng)絡(luò)的企業(yè)信用評級系統(tǒng)的設(shè)計與實現(xiàn)[Ｄ]。西安電子科技大學(xué),2０1０．［1４]。史修海．基于模糊綜合評判法的企業(yè)信用評級研究[D］.山東大學(xué),200９。[１5].呂曉丹．基于改進(jìn)的決策樹信用評價模型研究及其工具實現(xiàn)[D］。東華大學(xué),201４.[１6]。朱曉統(tǒng)．上市公司信用評級模型構(gòu)建研究[D].黑龍江八一農(nóng)墾大學(xué),2009.專業(yè)知識分享